约束多目标优化问题不仅需要优化多个冲突的目标函数,而且还伴随着各种各样约束条件的限制。进化算法可以有效求解多目标优化问题,但由于约束条件的存在,进化算法需要结合约束处理技术来求解约束多目标优化问题。当约束条件的数量较多、非线性较强或存在等式约束时,可行域变得狭小,现有算法在求解此类问题时处理等式约束能力不足,无法有效利用不可行解信息,不能平衡目标函数和约束条件,不能兼顾收敛性、多样性和可行性。因此,本文针对可行域较小问题求解过程中的不足进行研究,主要内容如下:为了处理等式约束条件,有效求解由等式约束条件造成的可行域较小问题,提出了基于排序调整策略的约束多目标进化算法。该算法首先分析了松弛参数对两个解排序结果的影响,根据分析结果提出了排序调整策略,并将其嵌入到ε约束处理法中。采用带排序调整策略的ε约束处理法对解的排序结果进行调整,减少松弛参数的影响。然后通过分析DOC系列测试函数的构造原则构造6个含等式约束的多目标优化问题。仿真结果证明所提排序调整策略能有效求解含等式约束条件的多目标优化问题。为有效利用不可行解携带的信息探索可行域,提出了不可行解引导的约束多目标进化算法。该算法首先从优化问题和搜索机制两方面提出三条有价值不可行解识别策略,从众多不可行解中选择出有价值的不可行解。其次,基于所选择的不可行解对差分进化算子进行改进,并以当前种群中可行解的比例为依据选择差分进化算子或不可行解引导的差分进化算子产生子代个体。经过仿真实验,证明所提算法求解可行域较小问题时表现出较好的收敛性和多样性。为了在利用不可行解信息探索可行域时避免过度搜索不可行域,提出了基于空间收缩技术的约束多目标进化算法。该算法首先在推搜索阶段保留高质量个体,在推搜索阶段结束时自适应替换种群中的个体,提高拉搜索阶段初始种群的多样性和可行性。然后采用空间收缩技术在进化过程中逐步减小搜索空间将搜索精力集中在最优解附近,减少对无潜力不可行域的搜索,同时采用ε约束处理法使优秀不可行解参与进化。最后在测试函数和机器人抓手设计优化问题上进行仿真,仿真结果证明所提算法能在平衡收敛性和多样性的同时提高收敛精度。