随着多目标优化问题在工程实践领域的广泛应用,其求解方法的研究已经成为优化领域的研究热点。进化算法作为一种基于种群的智能搜索方法,目前已经能够成功地求解具有2、3个目标的多目标优化问题。然而,当遇到目标数目增至4个或4个以上的超多目标优化问题时,基于Pareto支配排序的多目标进化算法在搜索能力、计算成本和可视化方面都遇到了很大的挑战。研究超多目标优化问题的高效进化算法是目前迫切需要解决的一个难点问题。超多目标优化问题可以按照其Pareto前沿的维数(实际包含独立目标个数)划分成两类,一类是该问题Pareto前沿的维数小于目标的个数,此类问题是含有冗余目标的超多目标优化问题;另一类是该问题Pareto前沿的维数等于目标的个数,即该问题是不含冗余目标的超多目标优化问题。论文分别针对这两类问题设计了几种进化算法,并进行了相应的数值实验分析。论文的主要研究成果包括:1、针对含有冗余目标的超多目标优化问题,提出了两种目标缩减算法。一是在保持个体间Pareto支配关系的前提下,提出了一种基于Pareto代表解的目标缩减进化算法。该算法将多目标进化算法与冗余目标缩减算法相融合,首先采用基于分解的进化算法生成了一组近似Pareto前沿上具有代表性的Pareto最优解集合,然后,在分析该集合冲突目标信息的基础上提出了一种新的冗余目标缩减算法。二是在分析目标间相互关系的基础上,提出了一种通过目标集合的聚类来删除冗余目标的新算法。与已有文献中利用相关系数来表示目标之间相互关系的方法不同,本方法设计了一种新的衡量目标间相关性的度量方式——相互依赖系数,它采用互信息和相关系数联合的方式来表示目标间的相关性,克服了仅用相关系数无法表示目标间非线性关系的缺陷。在删除冗余目标的阶段,所提算法采用PAM(Partitioning Around Medoid)聚类算法将目标集进行划分,并利用相互依赖系数作为目标间相关性的度量方式,将相关的目标归为一类,而将彼此冲突的目标相互分开,然后在相关性最强的类中通过删除冗余目标的方式达到目标缩减的目的。数值实验验证了提出的两种算法在删除冗余目标方面的有效性。2、针对不含冗余目标的超多目标优化问题,从两个不同的角度出发设计了两种改进的基于分解的多目标进化算法。第一个角度是从权向量的设计出发,提出了一种新的自适应权向量设计的分解多目标进化算法。该方法结合均匀设计的思想设计了自适应权向量生成方式,以便使得权向量的分布能够根据当前Pareto解集的分布动态地进行调整。同时,为了加快算法的执行效率,采用了对初始权向量集合预处理的方式为每个初始个体分配最佳的初始权向量。第二个角度是从混合进化模式出发,提出了一种新的基于个体支配关系的混合分解多目标进化算法。算法采用了分子种群的进化模式,设计了一种新的基于有效阶的个体支配关系,并将此关系用于子种群内部个体间优劣关系的比较和个体的更新操作,从而在增加个体的选择压力的同时提高解集分布的多样性。另外,为了改善算法的局部搜索性能,提出将Powell搜索法作为局部搜索算子与进化算法相融合的混合进化策略。最后,通过对标准测试问题的测试结果表明两种新提出算法在收敛性和分布性上具有明显的优势。3、针对物流领域的物流配送规划问题,首先,提出了一种基于货物周转能力的物流服务水平的量化方法,其次,以总成本最低、基于配送时间的物流服务水平和基于货物周转能力的物流服务水平分别最优为目标,建立了三个目标的多目标物流配送规划模型。进一步,设计了基于偏好的多目标进化算法求解模型。最后,对物流配送规划实例问题用本文模型进行了模拟,得到了10组非劣解,它们均在决策者的主观偏好范围内,为决策者制定科学决策提供了理论依据。