多目标优化问题通常具有两个或两个以上相互冲突的目标。进化多目标优化算法被广泛用于解决多目标优化问题。这种算法可以找到一组兼顾收敛性和分布性的解决方案,同时使得这组解决方案逼近整个Pareto front。然而,相比于整个Pareto最优解区域,决策者通常只对一小部分与其最相关的权衡解感兴趣。另外,为决策者提供大量的非支配解不但会增加其工作量,也会影响决策者的精准决策。因此,在现实问题中,多目标优化问题的最终目标是为决策者提供符合其偏好的解决方案。在多准则决策中,knee points由于在所有目标上具有的最小权衡损失,对决策者具有很大的吸引力。相比之下,其他的Pareto最优解在一个目标上的微小改进可能会导致至少一个其他目标上的显著恶化。基于上述背景,本文对多目标优化中的knee points识别问题进行了研究,主要工作和贡献如下所述。本文系统地梳理了knee points识别的现有研究进展,并简要地提出了现有方法的局限性。基于此,本文提出了一种简单有效的基于trade-off utility的knee points识别方法（KPITU）,帮助决策者从一组给定的权衡解集中识别出knee points。首先,基于trade-off utility,本文提出了knee-dominance概念,其基本思想是从权衡的角度出发区分不同的非支配解。测试问题中含有不止一个knee point（即local knee points）的情况并不少见。为了识别出local knee points,本文通过构建邻域将解之间knee-dominance的比较限制在解的邻域内。此外,为了进一步比较不同的local knee points的重要性,本文提出了累积trade-off utility,可以利用不同local knee points的累积trade-off utility值进行比较。总的说来,KPITU的基本思想就是通过比较一个解与其邻域内的解之间的trade-off utility,从而识别出非支配解集中的knee points。更具体地说,一个解是knee point,当且仅当它在邻域内具有最佳的trade-off utility。KPITU能够在具有不同形状Pareto front的测试问题上识别出尽可能多的knee points。此外,本文提出了NSGA-II-KPITU算法。主要思想是使KPITU代替拥挤距离计算,将KPITU整合到NSGA-II中,以此验证KPITU可以作为算子指导进化多目标优化算法的搜索方向。最后,为了验证KPITU方法的有效性,本文首次在包含DO2DK、DEB2DK、DEB3DK、CKP以及PMOP系列测试函数中比较了KPITU方法与其它5种主流的knee point识别方法的性能。实验结果充分证明了KPITU的性能,尤其是在local knee points较多的测试问题上。此外,KPITU算法对目标数量没有限制,可以识别任意目标数量下测试函数的knee point（s）。最后,本文也验证了NSGA-II-KPITU在进化过程中搜索knee points的有效性,并与NSGA-II-CD、NSGA-II-EMU和NSGA-II-CHIM等方法进行了比较。