多目标优化问题广泛存在于实际生活中,是优化问题的主要研究内容之一.由于目标中的各个子目标通常相互制约,使得子目标不能同时达到最优.针对以上问题,Pareto最优解的定义产生.因此,求解多目标优化问题的核心在于尽可能找到多的Pareto最优解,使最优解集逼近真实的Pareto最优前沿面.本文对多目标优化算法进行了深入研究,针对传统的优化方法容易破坏子目标制约关系的缺陷,学者们提出了多目标进化算法,其中最具代表性的算法包括NSGA-II和SPEA2.此外,众多群智能算法被应用于多目标优化问题.虽然这些群智能算法具有操作简单,收敛速度快等优点,但是不能较好地平衡优化过程中种群的竞争与协作能力,探索与开采能力.针对上述问题,本文从金字塔结构入手,定义了一种基于个体晋升与职能分配的群体演化框架,提出了一种基于金字塔结构的多目标优化算法(Multi-objective Optimization based on Pyramid Structure,Mo-PS).本文的研究内容与创新点如下:1.借助于人才培养方式,提出了一种按照种群适应能力分配职能的策略.该策略根据非支配层级和适应度值将种群按金字塔结构分层后,对各层分配不同的职能:顶层负责开采,中间层负责培养和传递,底层负责探索.该策略平衡了演化过程中个体的探索与开采能力.2.针对演化过程中种群的竞争与协作能力不平衡的问题,受到人才激励机制的启发,提出了一种个体晋升策略.该策略通过单精英轮盘赌的方式将底层优秀个体往更高层传递,实现层内竞争与层间协作.由于每层个体职能不同,Mo-PS算法设计了各层相应的子适应度函数,利用差分思想对子适应度函数更新,实现自适应评价准则,使种群快速地逼近真实的Pareto最优前沿面.在4.2节,本文对10个测试函数仿真实验,验证了Mo-PS算法的收敛性.3.为了防止种群陷入局部最优,本文在探索层的竞争操作中提出了多样性策略.Mo-PS算法在金字塔的底层设计了随机产生新解的策略,使种群跳出局部最优,一定程度保证了种群的多样性.在解的外部存储过程中,Mo-PS算法利用网格技术随机删除拥挤解,使非支配解在解空间中分布均匀.对比同类算法的实验结果发现,Mo-PS算法具有更好的分布性.