进化算法作为一种群体智能搜索方法在解决多目标优化问题方面有着很多优势，研究求解多目标优化问题的进化算法已经成为进化计算领域的一个研究热点。基于分解的多目标进化算法（MOEA/D）是2007年提出的一类将数学规划方法与进化算法相结合，求解多目标优化问题的新颖分解类算法。与其它类多目标进化算法相比，MOEA/D在解决复杂的多目标优化问题时具有明显的优势，但此类方法在求解目标函数个数较多的和Pareto最优解相对较为复杂的多目标优化问题时还存在求解质量不够高、收敛速度慢等问题。因此，改进MOEA/D，研究更为高效的分解类多目标进化算法具有重要的理论意义和潜在的应用价值。本文旨在通过对MOEA/D的深入探索和研究，针对其在解决多目标优化问题中存在的不足，提出几种改进策略，设计几种改进的分解类多目标进化算法，并进行相应的数值实验分析。论文的主要研究成果包括以下几个方面：1.为更好地求解目标函数个数较多的多目标优化问题，将均匀设计的思想应用到MOEA/D所分解的各个子问题的权向量设置中，提出了基于均匀设计的分解类多目标进化算法（UMOEA/D）。采用均匀设计方法设置权向量，相较于MOEA/D中设置权向量所采用的单纯形格子点设计，权向量分布更均匀，也减少了其在边界上的分布，并且种群的规模不会随着目标个数的增加而呈非线性增长，种群大小可以自由弹性设置，这也突破了MOEA/D在解决一些目标函数个数较多的多目标优化问题时所受到的一些限制。对三组对应目标个数分别为3、4和5的6个维数可扩展的多目标优化问题进行了测试，实验结果表明，UMOEA/D表现优于MOEA/D与NSGA-II，尤其是对于目标个数较多的优化问题和具有复杂Pareto最优解集（PS）的多目标优化问题。实验结果还表明，UMOEA/D运行速度要明显快于NSGA-II。2.为加快MOEA/D的收敛速度，将简化二次逼近（SQA）作为局部搜索算子，融入到MOEA/D中，提出了一种基于简化二次逼近的分解类多目标进化算法（MOEA/D-SQA）。SQA是一种简单有效的直接搜索方法，它不需要导数信息，在优化问题中很方便使用。并且作为一种简化的三点二次逼近，它的模型的建立只需要三个点，计算量小，还有效地利用了已求得的目标函数信息。因此，SQA很适合作为启发式局部搜索算子插入到MOEA/D中，在计算量增加不多的情况下，提高MOEA/D的性能。13个无约束的CEC2009标准测试函数的仿真结果表明了该算法的有效性。数值实验结果还表明，与MOEA/D和当前其它一些优秀的多目标进化算法相比，MOEA/D-SQA收敛速度快，解的质量高。3.提出了基于均匀设计和简化二次逼近的分解类多目标进化算法（UMODE/D）。UMODE/D对MOEA/D的新版本，即基于DE的MOEA/D（MOEA/D-DE）从两方面进行了改进：(1)采用均匀设计的方法设置MOEA/D-DE所分解的各个子问题的权向量，使算法在初始阶段就可以均匀地搜索所有区域，提高求得Pareto最优解的可能性；(2)采用SQA对MOEA/D-DE所分解的各个单目标子问题进行局部搜索，以加快算法的收敛速度，提高解的精度。对9个具有复杂Pareto最优解集（PS）的多目标优化问题进行测试，实验仿真结果证明了该算法的有效性，数值实验结果还表明，UMODE/D表现优于MOEA/D-DE和NSGA-II。另外，两组独立的实验分别证明了均匀设计和SQA局部搜索两种改进策略对解决此类具有复杂PS的多目标优化问题的有效性。最后，对13个无约束的CEC2009标准函数进行了测试，数值实验结果表明UMODE/D表现明显优于其它算法。4.将UMOEA/D用于求解多目标0-1背包问题。0-1背包问题是典型的带非负系数的0-1线性整数规划问题，它属于离散优化问题的范畴，与连续多目标优化问题相比，离散多目标优化问题的求解比较困难。将UMOEA/D用于解决2-4个包的多目标0-1背包问题。仿真结果表明，在解分布的均匀性和宽广性上，UMOEA/D的表现要明显优于算法NSGA-II、SPEA2和PESA，UMOEA/D在解决此类离散多目标优化问题时是有效的。5.将UMODE/D用于具有多种方向图的唯相位可重构阵列天线优化设计。UMODE/D将具有多种方向图的可重构直线阵优化设计表示为一个多目标优化问题，实现了可重构直线阵优化设计的并行化。在实际应用中，决策者可根据各种状态方向图的权重偏好，在算法输出的Pareto解集中选择一个与该组权重偏好值相对应的Pareto解（即设计出的可重构直线阵）。采用UMODE/D综合具有两种和三种期望方向图的阵列天线。两组仿真结果表明，该算法是设计方向图可重构阵列天线的有效算法，优化所得的方向图与期望方向图吻合良好。