多目标优化问题是科学研究和工程实践领域中的难题和热门问题。近年来，多目标进化算法(MOEAs)已经在多目标优化问题中取得了较好的应用，经典的多目标进化算法有非支配排序遗传算法(NSGA-II)和基于分解的多目标进化算法(MOEA/D)。这些算法能有效的解决无约束或者简单界约束下的多目标优化问题。未来，如何有效改进经典的多目标优化算法或者提出新的约束多目标优化算法，进而迭代求解复杂约束多目标函数成为了多目标优化领域中的一大挑战。
　　本文提出了一种基于新型修复算子(RO)和改进的差分进化(DE)算子的种群进化方法来提高复杂约束条件下基于ε约束理论的MOEA/D-DE的求解性能，并将改进后的εCMOEA/D-DE应用于优化碳纤维原丝生产的拉伸过程。本文主要贡献包括以下方面：
　　(1) 为了解决现有约束多目标进化算法(CMOEAs)存在的对不可行解过度利用的问题，提出了两种新型修复算子进而达到在种群进化过程中合理利用不可行解的目的。具体地，在进化过程中，当不可行解约束违反值超过容忍阈值时，则从其邻域中选取更为优秀的个体将其修复。其次为了解决传统DE算子收敛速度较慢的缺点，提出一种改进的DE算子用以提高算法的收敛速度。最后将本文所提出的两种修复策略和改进的 DE 算子结合到εCMOEA/D-DE 中，简称为εCMOEA/D-mDE-RO。
　　(2) 本文尝试通过改进εCMOEA/D-DE来摆脱传统约束多目标优化算法的局限性，将改进的εCMOEA/D-mDE-RO应用于选取线密度、强度和断裂伸长率这些生产目标参数的最优值，进而得到多目标优化的最优解，选取获得最优的拉伸比分配方案。通过改进的算法来提高处理系统的精度和收敛速度，进而为碳纤维生产流程中的实际纺丝加工制造提供合理的参考。
　　(3) 本 文 设 计 了 三 组 仿 真 实 验 用 以 验 证 改 进 的εCMOEA/D-mDE-RO的算法性能。实验结果表明本文提出的基于新型修复算子和改进DE算子的种群进化方法可在多个约束条件下更短时间内产生更丰富合理的种群分布，算法性能得到明显提升。第一组实验结果表明基于两种新型修复算子的εCMOEA/D-RO在收敛性和多样性方面均优于改进前的εCMOEA/D-DE；第二组实验结果表明基于改进DE算子的εCMOEA/D-mDE在算法迭代的初始阶段具有更快的收敛速度；第三组实验结果表明结合新型修复算子和改进DE算子的εCMOEA/D-mDE-RO具有快速收敛的能力并能保持良好的收敛性和种群多样性。