多目标优化问题一直是科学研究和工程应用中非常重要的研究课题。进化算法具有解决多目标优化问题的优势,因其不存在对优化问题先验知识方面的要求,可以同时搜索到优化问题的多个解,具有处理大问题空间的能力,能够克服传统多目标优化方法存在的弊端。遗传算法被广泛应用于解决多目标优化问题以来,出现了许多经典的多目标进化算法,然而,遗传算法普遍存在既要快速收敛又要维持群体多样性的矛盾。协同进化机制强调种群与种群之间以及种群与环境之间的相互影响,涉及进化种群间的竞争与协作作用,即可提高种群多样性,又可加快收敛速度,因此,协同进化遗传算法较一般遗传算法更加符合自然进化的一般规律,成为解决多目标优化问题的发展趋势。为进一步提高多目标协同进化遗传算法的收敛速度以及种群多样性,提出一种新的算法用于解决多目标优化问题,主要研究内容如下:(1)提出了一种基于多级搜索区域的协同进化遗传算法。作为多目标进化算法的基础,当前单目标协同进化遗传算法仍然存在收敛速度慢以及计算复杂性高等问题。基于多级搜索区域的协同进化遗传算法提出划分搜索区域的搜索模式,密集搜索最优解出现概率较高的区域,稀疏搜索最优解出现概率较低的区域,可进一步提高协同进化遗传算法的性能。算法提出了判断种群趋于进化停滞状态的标准;当各个种群均趋于进化停滞时,通过聚类分析对整个搜索区域划分等级,包括“重点搜索区域”、“次级搜索区域”和“外围搜索区域”,以便快速收敛到全局最优解;对不同等级的搜索区域施以不同的搜索强度,强化搜索“重点搜索区域”,弱化搜索“外围搜索区域”。仿真实验测试表明,通过划分多级搜索区域,算法提高了收敛速度,降低了算法复杂度,从而表明该算法是解决最优化问题的一种高效算法。(2)提出了一种分阶段的多目标协同进化算法。当前收敛性能较好的多目标进化算法往往分布性能稍显不足,而分布性能较好的多目标进化算法往往收敛性能较弱,因而多目标进化算法有待于进一步提高收敛性能以及分布性能。分阶段的多目标协同进化算法分为两个进化阶段,种群进化阶段重点提高算法的收敛性能,优秀个体再进化阶段重点提高算法的分布性能,从而同时提高算法的收敛性能与分布性能。在种群进化阶段,借鉴文化算法的思想,各种群从种群空间中选取优秀个体加入信念空间,从信念空间中提取知识以引导种群的进化,同时,各种群在进化过程中学习优秀种群的文化,并且吞并弱势种群;在优秀个体再进化阶段,各种群信念空间中的个体汇聚到总信念空间,以邻域内变异的方式作进一步进化,在优秀个体附近探索更优秀的个体,并提高种群分布均匀性。仿真实验测试表明,通过分阶段进化,算法较NSGAⅡ既提高了收敛性能,又提高了分布性能。(3)应用分阶段的多目标协同进化算法解决多目标0/1背包问题与投资组合优化问题。多目标0/1背包问题与投资组合优化问题均是现实生活中的多目标优化问题,是关系人们日常生活的实际问题,而传统优化方法仍不能满足人们的需求。在应用实验中,将分阶段的多目标协同进化算法与经典多目标进化算法(NSGAⅡ)作了对比分析,结果表明,本文提出的算法较NSGAⅡ有所改进,收敛能力好,可获得均匀分布的解集,能够为决策者提供优秀的解决方案,验证了本文算法的高效性。