一直以来,多目标优化都是进化计算研究中一个重要且具有挑战性的领域。近些年来,许多经典的多目标进化算法陆续被提出。尽管这些多目标进化算法已经被证明能够很好地解决一些测试问题,并且在实际问题中也得到了很好的应用。但是当使用它们来求解具有大规模决策变量的多目标优化问题时,它们就会失去其有效性。造成这种现象的原因是当维度增加时,搜索空间会呈指数型扩大,这就是著名的“维度灾难”问题。在实际应用中存在着很多此类高维问题,所以迫切需要设计新型的多目标进化算法来解决具有大规模决策变量的优化问题。协同进化框架是解决高维决策变量最有效的方法之一,传统的协同进化方法将决策变量分为彼此互斥的子组,之后独立地优化每一个子问题。本论文通过将机器学习中经典的降维方法以及多样性保持技术引入到分解型多目标进化算法中,建立了三种新型的算法来解决高维决策变量的多目标优化问题,主要工作总结如下:1.提出了一种新型的基于聚类和维度约减的多目标进化算法(PCA-MOEA)来解决高维决策变量的多目标优化问题。主流的进化算法忽略了决策变量间的关系,将变量空间中所有的决策变量当成整体来优化,这给优化过程带来了很多困难。在算法PCA-MOEA中,首先采用一种聚类方法将决策变量分为两类,即与收敛性相关的变量和与多样性相关的变量。聚类方法使用采样解和收敛方向之间的夹角作为特征,利用k均值聚类方法对决策变量进行分类。然后,使用主成分分析方法得到与收敛性相关的变量的低维表示,之后进行的独立性分析将降维后的决策变量分解为若干个独立的子成分,各个子成分在协同进化的框架下独立地被优化。实验部分将该算法与多个主流的进化算法在不同的测试问题上进行比较,结果表明,PCA-MOEA能够很好地解决高维决策变量的多目标优化问题。2.提出了基于多样性变量优化的多目标进化算法(PCA-DV-MOEA)。该算法能够进一步提高PCA-MOEA在种群多样性上的性能。PCA-MOEA首先将决策变量分为与收敛性相关的变量及与多样性相关的变量这样两类,它们分别影响着种群的收敛速度和最终解在帕累托前端分布的均匀程度。所以,针对不同类的决策变量,采用不同的选择策略会产生更好的效果。在多样性变量优化过程中,我们采用基于支配关系的策略和距离度量方法来提高种群分布的多样性。对比实验结果表明了PCA-DVMOEA在解决高维决策变量的多目标优化问题上的优势,其同时能有效提高种群的多样性。3.提出了一种基于新型的交叠分组机制来解决大规模决策变量的多目标优化问题的进化算法(PCA-OG)。传统的协同进化框架将决策变量分为彼此互斥的若干组,但是绝大多数的分组策略只考虑了决策变量之间的依赖性,而忽略了另一个特性,即决策变量对目标函数值的影响。对于一个特定的问题,决策变量的每个维度可能对优化产生不同的影响。该算法使用delta扰动策略检测出对适应度值有重大影响的决策变量,然后在一般的分组结果基础上进行交叠分组。在优化过程中,在不同的组中重叠的影响变量被多次优化,这意味着它们被赋予更多的计算资源。这种机制有利于种群多样性的保持,降低陷入局部最优解的可能。