高维多目标优化问题普遍存在于现实生活的很多应用中,多目标进化优化算法在解决含有2到3个目标的多目标优化问题时表现出了巨大的优势,但是在遇到含有3个及3个以上目标的高维多目标优化问题时,传统的多目标进化优化算法遇到了巨大的困难。近年来,利用进化算法求解高维多目标优化问题成为了进化优化领域中的一个热点和难点问题。如何设计高效的进化算法解决高维多目标优化问题具有一定的研究意义。本文针对高维多目标优化算法中的若干难题,提出了两个基于分解的高维多目标优化算法(DCDG-EA和MOEA-APS)。具体内容如下:(1)基于收敛和多样性指导的分解高维多目标进化算法DCDG-EA。该算法旨在获得收敛性和多样性好的解集。在算法DCDG-EA中,我们提出了一个新的算子选择策略(CDOS),该策略从一组算子中选择一个最合适的算子来产生收敛性和多样性好的解。另外,在环境选择阶段,我们还提出了一个新的个体选择策略(CDIS),该策略克服了Pareto支配的低效性,利用两个距离度量分别表示解的收敛性和多样性,获得种群的收敛性与多样性之间的平衡。最后,与目前4个主流的算法进行对比实验,最终的统计结果表明,DCDG-EA有很大的优越性。(2)基于角度惩罚选择策略的分解高维多目标进化算法MOEA-APS。该算法能够进一步提高DCDG-EA算法在多样性方面的性能。在该算法中,我们考虑了位于子区域边界周围的解的分布情况。提出了夹角惩罚选择策略APS。APS能够在保证种群收敛性的前提下,有效地提高种群的多样性。在APS的具体实现过程中,任意两个解之间定义了一个夹角相似度,用来衡量边界解的分布密集程度。一旦选择了一个优秀的解x进入下一代种群,被x pareto支配或与x的夹角相似度很大的解将会被惩罚,防止密集的多个解同时进入下一代种群,从而极大地提高种群的多样性。最后,与目前5个主流的算法进行对比实验,最终的统计结果表明,MOEA-APS算法有较大的优势,并能有效地提高种群的多样性。