基于种群的进化算法在一次运行中能够产生一组近似的Pareto最优解集,因此多目标进化算法成为处理多目标优化问题中的主流方法。基于分解的多目标进化算法(MOEA/D)将一个多目标优化问题分解成一组单目标优化的子问题,然后通过进化算法同时优化这些子问题。本文在分析MOEA/D的优势与不足的基础上,进一步提出了一种基于网格的约束分解方法以及一种自适应权重向量调整的策略。本文的研究内容主要分为以下两个部分:第一,目前MOEA/D中使用的分解方法(如加权、切比雪夫以及基于惩罚值的边界交叉法等)来源于传统的数学规划中的单点搜索,不太适合于基于种群的优化方法。具体来说,这些分解方法对Pareto前沿的形状特别敏感,并且容易导致种群多样性的丧失。本文提出了一种基于网格的约束分解方法(CDG),对Pareto前沿的形状具有较好的鲁棒性以及对种群的多样性保持的能力。同时,各个子问题的约束区间构成了一个网格系统,这个网格系统能够很直观地定义解的邻居结构,从而方便进行限制繁殖操作(restricted mating)。在CDG的基础上,本文提出了一种基于网格约束分解的多目标进化算法(CDG-MOEA)。本文将CDG-MOEA与其他优秀的算法进行了对比实验,结果表明,CDG-MOEA在收敛性和多样性均表现突出。此外,CDG-MOEA对Pareto前沿的形状有很强的鲁棒性,在处理前沿特别复杂(例如特别凸或各个目标上取值范围差别很大)的优化问题时具有显著的优势。第二,MOEA/D算法在超多目标优化问题上效果会显著下降,为了进一步提高其在超多目标优化问题上的收敛性以及在不规则(例如退化或不连续)前沿上的多样性,本文提出了一种两阶段权重调整的分解超多目标进化算法(MaOEA/D-2ADV)。在初始化阶段,算法使用少量的权重向量来实现种群的快速收敛,之后增加权重向量的数目使其能够近似出更完整的Pareto前沿。随后,使用一种基于Pareto支配的方法来判断权重向量的有效性,并动态调整无效权重向量的位置,使其能够更加适应于形状不规则的Pareto前沿。最后通过实验,验证了MaOEA/D-2ADV在超多目标优化问题上的有效性。