近年来,多目标优化算法在实际生活中的广泛应用使得在其领域发展非常迅速。多目标优化算法利用启发式进化算法的迭代优势,可以获得一系列近似于真实Pareto前端的非支配解。然而实际应用中,用户作为最终的决策者,所需要的可能并非整个Pareto前端的解,而仅仅是Pareto前端的部分解或者一个解,因此根据用户信息指导算法搜索过程的策略,可以迅速获得用户偏好范围内的解并且节约计算成本。本文主要研究了用于高维目标的分解多目标优化算法,以及在进化过程中利用用户信息与算法进行通讯的交互式偏好多目标优化算法,三个工作点如下:1.提出了基于Maximin算子的分解多目标优化算法,算法使用Maximin算子作为选解策略,替换了MOEA/D算法中利用邻域信息更新解的机制。首先该算法使用一系列均匀分布的权重向量将整个目标空间进行分割,同时为每一个子空间划分一个解作为其子问题下的解。在选解过程中,使用Maximin算子计算个体适应度值,选择部分满足条件的个体进入到所有子问题的更新当中,由于Maximin算子本身所具有的搜索非支配解的特性,可以极大的提高算法的收敛性能。文中通过大量的实验及与其他多目标优化算法的对比,说明了我们提出的算法在多数ZDT和DTLZ问题上具有更好的收敛性和多样性。2.提出了基于多层交互的偏好分解多目标优化算法。该算法以本文第一个工作点提出的多目标优化算法为基础,通过多层交互获取用户的偏好解并结合部分用户信息来指导算法的搜索方向。第一层交互需要用户提供参考向量和初始半径,利用这两个信息,算法可以确定一个偏好范围从而只更新偏好范围内的解。将进化一定代数的结果呈现给用户,如果用户不满意,则进行第二层交互,第二层交互需要用户重新确定偏好信息,要求用户从第一层交互获取的结果中选取最满意的一个解作为新的偏好方向,并输入该层交互所需解的数目,算法使用基于角度的策略,再次寻找用户偏好范围内的解。通过这样的方式,可以不断缩小偏好范围,并且可以进行多层交互,同时用户可设置多个偏好区域,灵活的设置所有参数,直到寻找到用户满意的解为止。3.提出了基于可变范围的交互式偏好分解多目标优化算法。首先要求用户提供一个参考方向和所需解得数目,算法在整个目标空间寻找最靠近参考方向的所需数目的权重向量作为子问题,进行更新。在交互过程中,用户输入一个可调整偏好范围的参数和交互过程中所需解的数目,根据用户提供的信息,算法设置了两个权重向量的更新方向,一个指向参考向量一个偏离参考方向,根据范围参数和所需解数目在交互前后的变化,算法可以灵活改变偏好范围。