经典多目标优化进化算法在处理二维或三维等低维多目标优化问题时获得的效果都很不错。但是,随着研究的不断深入,在目标数目不断增加的情况下,如何找到总体的帕累托最优前沿,已成为多目标优化在实际应用中的一个重要且富有挑战性的问题。在研究高维优化问题的过程中,研究人员发现多目标优化的最终目标是支持决策者找到最能满足其偏好的解。为决策者提供过多的解不仅耗费大量的时间和精力,而且会导致决策过程中出现大量的无关干扰信息,使决策者难以选择合适的解。此外,随着目标数量的增加,仅用有限的个体很难覆盖整个PF表面。因此,只搜索决策者偏好的目标区域,不仅可以降低算法收敛的难度,还可以帮助决策者做出更好的选择。在实际问题中,决策者（DM）往往只对一个局部区域感兴趣（ROI）,而不是要求所有的解均匀分布在整个帕累托最优前沿（POF）。基于这一需求,许多研究者通过形成新的支配关系或者直接限定收敛区域来引导种群收敛至指定区域。但现有的这些偏好算法均缺少了密度控制和解的对比公平度。为了解决这一问题,本文提出了一个新的参考点生成方法,将决策者的偏好信息集成到以分解思想为核心的进化算法框架中（MOEA/D-HP）。与大多数现有的偏好算法不同,MOEA/D-HP通过在偏好区域中生成一系列层次参考点来引导种群收敛到偏好区域,并形成一些层次的解供决策者进行比较和选择。此外,MOEA/D-HP参考向量生成方法使得最终解不再均匀分布在ROI中,而是越靠近偏好点,得到的解越密集。通过这一方法,决策者可以在更感兴趣的区域得到更多的解。本文选取了偏好算法中先进的5种算法（g-NSGAII,r-NSGAII,p-NSGAII,MOEA/DSTM,MOEA/D-PRE）在ZDT系列,DTLZ系列,WFG系列和Ma OP测试问题上进行了对比。通过GD指标结果可以看出,本文提出的方法是具有可行性也极具竞争力的。