现实生活中存在大量的多目标优化问题,其优化目标之间往往是相互冲突、相互制约的,找不到唯一的解能同时使得所有目标取得最优。近年来,多目标优化领域得到快速发展,在求解无约束多目标优化问题时,经典的基于目标分解方法对Pareto前沿面形状较为敏感,在不知道Pareto前沿形状的前提下,很难去近似一组均匀分布的Pareto最优解,所以要尽可能地提高解集的多样性。在许多实际工程中,把多个Pareto解集对应同一个Pareto前沿的问题,称为多模态多目标优化问题。传统的多目标优化算法,在求解此类问题时往往忽略解在决策空间的分布情况,导致获得Pareto解集的多样性比较差,不能很好的求解多模态多目标优化问题,所以需要提高决策空间中Pareto解集的分布性,为决策者提供更多选择的机会。因此,本文设计与实现多模态多目标优化算法,其主要研究内容如下:(1)设计并实现基于应用精英档案和反向学习的多目标差分进化算法。此算法建立一个外部档案来储存搜索过程中的非支配解,提高算法的收敛速度。使用反向学习来扩大解的搜索范围,增强种群的多样性。利用网格系统确定解的坐标,并通过差分进化算法(Differential Evolution,DE)算法产生新个体,利用网格约束分解排序选择下一代种群,提高解分布的多样性。(2)设计并实现结合两种拓扑结构的多模态多目标算法。此算法基于粒子群优化算法,结合了两种拓扑结构的优缺点,在搜索前期在全局范围进行搜索,增强解的寻优能力,在搜索后期让种群在一定范围内进行搜索,从而形成稳定的小生境,让算法搜索到更多更好的决策空间最优解。(3)设计并实现基于邻域限制的多模态多目标算法。此算法基于差分进化算法,在决策空间中使用基于邻域限制的小生境,采用基于指标的选择机制来选择交配池中父代个体。利用解在决策空间的分布情况,在决策空间中设计了合理的环境选择机制,采用最远距离机制代替了拥挤距离机制,让算法最终找到的Pareto最优解分布更加均匀。