多目标优化问题普遍存在于日常生活、工业生产,以及科学研究中。当该问题的目标函数个数多于3个时,称之为高维多目标优化问题。多目标进化算法是目前最为广泛应用的多目标优化问题求解方法。然而,现有方法求解高维多目标优化问题时,性能显著下降。此外,在实际应用中,优化问题的目标函数还存在多模态的特性,进一步增加了问题的求解难度。鉴于此,本文分别从分解问题、参考点引导进化、构建收敛与分布性指标、重构目标函数,以及兼顾目标与决策空间多样性等5个角度,提出5类高维多目标进化优化算法。首先,提出基于问题分解的高维多目标进化优化算法。该算法将原优化问题分解为若干子优化问题,以降低问题求解的难度;采用多种群并行进化算法,协同求解分解后的每一子优化问题,并在求解过程中,充分利用其它子种群的信息,提高收敛速率;基于各子种群的优势个体形成外部保存集,从而得到高维多目标优化问题的最优解集。其次,为了进一步提高最优解选择压力,利用参考点引导种群进化,提出基于参考点的高维多目标进化优化算法。该算法在每次迭代中,基于当前种群,在目标空间中自适应地生成一系列参考点,使这些参考点具有好的收敛与分布性能;利用个体与参考点的距离,评价该个体的性能,并基于此选择优势个体。再次,将个体到参考点的距离,延伸为收敛性指标的概念,并结合分布性指标,提出基于逐一选择策略的高维多目标进化优化算法。该算法以个体到参考点的距离,为收敛性指标,显著区分个体差异;采用个体之间的余弦相似度,作为分布性指标,减少占优抵抗解的数量;提出逐一选择策略,每次仅选择一个收敛性指标最好的个体,并利用小生境策略,清除分布性能相似的个体;利用角点提高解集的延展性。然后,根据以上对个体的收敛与分布性能的分析,提出基于元目标方法的高维多目标进化优化算法。该算法提取个体的收敛与分布性成分,构建元目标函数,形成新的优化问题。由于该问题与原优化问题具有相同的最优解集,却非常易于求解,因此,可采用传统的多目标进化算法求解。最后,针对多模态目标函数的特性,为兼顾目标与决策空间多样性,提出基于收敛与分布性分析的多模态高维多目标进化优化算法。该算法在进化开始前,通过分析决策变量的收敛或分布类型,以指导种群搜索多重最优解;采用收敛与分布性两个保存集,协同求解问题。其中,收敛性保存集利用收敛性指标,寻找收敛性好的多重最优解,而分布性保存集同时利用基于参考点的聚类和小生境策略,保证解集在目标以及决策空间的多样性。上述研究成果不但能够丰富和深化已有的高维多目标进化优化理论,还填补了多模态高维多目标进化优化领域的空白,从而推动上述理论与方法在实际优化问题的应用。