传统的多准则决策研究中，决策目标函数及限制条件通常是结构化表示的，通过在决策过程中获取决策者的偏好，可以使用适当的决策方法进行问题的求解。然而，在现实决策中还存在着这样一类决策问题，其决策目标函数不能或者难以显示定义。例如在服装设计、汽车造型设计或旅游行程规划问题中，对什么是“最适合、最满意”的一套服装、一款车型或者一张旅游行程计划表，就难以建立起相应显示表示的决策目标函数。而且此类问题中，决策者的偏好也难以在一开始就完全定义清楚，而需要决策者在交互的问题求解过程中逐渐加以确认。本文将这类决策问题称之为“隐性目标决策问题”，由于它具有“决策目标难以完全数量化、结构化表示”、“决策者的偏好随着决策分析的进行而改变”、“决策问题常常具有NP难性质”的特点，使得求解这类问题充满着挑战。这类决策存在：决策问题如何表征、决策者的偏好不断调整如何解决、搜索效率如何提高等问题。 本文从隐性目标决策问题的角度出发，分析此类问题的特点，研究求解该类问题的新算法，并建立处理隐性目标决策问题的求解过程框架。主要的研究内容包括： (1) 提出了本文的研究对象—“隐性目标决策问题”，分析了该类问题的特征和研究难点，并给出问题的数学形式的概念描述；研究讨论了隐性目标决策问题求解方法的要求，指出交互式进化计算(IEC)是适合处理隐性目标决策问题的技术方法。基于交互式进化计算，建立处理隐性目标决策问题的求解过程框架。 (2) 交互式遗传算法(IGA)是IEC中研究最多的一个分支，针对IGA只能使用小规模的种群和较少的进化代数而造成的搜索能力有限和易陷入局部优化的问题，利用i位改进子空间理论，提出了能够提高遗传算法(GA)和交互式遗传算法性能的变异概率选取策略，并分析了该策略对变异算子和算法性能的影响。基于这种变异策略，提出了小种群自适应遗传算法，说明了该策略能够使得GA利用小规模的种群就可以获得满意的性能，适合在IGA中应用。利用此变异策略，并根据IGA的特点，设计了用于隐性目标决策问题求解的IGA，分析了算法的效率，并通过函数优化和服装设计问题的仿真实验验证变异策略和算法的有效性。 (3) 将基于智能体计算的思想应用于交互式进化计算领域，通过定义智能体、智能体生存环境及智能体在环境中的行为，如竞争、自学习、交叉、变异、死亡替换等操作，提出了交互式Multi-Agent遗传算法和交互式多智能体进化算法，以有效求解隐性目标决策问题。所提出的两种算法均具有较强的全局搜索能力，而其中的自学习操作又极大增强了算法的局部搜索能力；另外，算法还充分利用了人的智能和算法自身的特点，使得用户每次只需选择2个左右最感兴趣的个体，而且用户不用对系统个体给出具体的适应值，有效缩短了每一代用户的评价时间，从而有利于减轻用户评估个体适应值的疲劳。从服装设计的仿真试验可以看出，这些优良的特性使得所提出的算法具有较高的运行性能，并能够有效缓解用户的疲劳。