多目标进化算法在这些年被广泛的关注,其在工业、调度、自动化等领域应用非常的广泛。随着信息量的快速增加,大量的信息的产生会造成大量需求的不断增加导致优化的目标数量也快速的增加。到目前为止,多目标优化算法大多数都是以二目标为研究主体,在目标数量超过三个时还没有在一种算法在各种Par测试函数上都有优势。因此,无论是多目标的应用方向还是算法本身的研究都非常需要大量的深入研究。在高维的情况下,非支配解的数量急剧减少,导致其所构成的Pareto前沿面的不连续等问题。当前存在的大多数算法,如MOEA/D和NSGA-Ⅲ等都是通过把目标空间划分成多个子问题并试图找到子问题中的最优解来构成Pareto最优平面。但是在研究MOEA/D的过程中,本论文发现并不是所有的子问题都可以找到唯一的最优解,表明算法中存在多个子问题对应一个最优解的情况。所以,本文提出了 MOEA/DM算法,该算法通过减少目标空间中子问题的数量来相对的增加每个子问题对应最优解的数目以解决最终Pareto前沿上非支配解数量不够的问题。通过实验本论文发现其确实在高维情况下能表现出优势。复杂网络聚类问题的研究在最近的十几年中被广泛的关注,在研究社会网络,生物网络以及万维网中具有广泛的应用。网络簇结构是研究复杂网络拓扑结构,隐含模式等关系的最普遍和最重要的属性之一。网络簇具有同类节点相互连接非常紧密,不同类节点之间连接稀疏等等的特性。现如今,社交网络、关系网络正在迅速的增加也变的更加的复杂,其具有非常有价值的研究意义。通过分析复杂网络聚类的特点发现,网络中往往类内的联系非常的紧密,类之间的联系非常的稀疏。这正好符合多目标优化的特点。本文中我们尝试把MOEA/DM算法应用到该问题中,通过实验发现其确实比现存的一些算法有优势。