鲁棒优化研究带不确定性的优化问题,是不确定优化的一个分支.在鲁棒优化中,主要关注由不可控参数引起的不确定性,且仅知道不可控参数在某个不确定集中取值.由于对实际问题有效的建模和求解,鲁棒优化已发展成为处理不确定优化问题重要且十分普遍的工具.基于鲁棒性这个概念,本文围绕鲁棒优化探讨了无穷多目标优化、不确定向量优化和不确定互补问题中相关的一些重要课题.主要内容如下:1.基于对强鲁棒性、一致鲁棒性和严格鲁棒性的细致分析,通过设置调整变量建立了一种新的鲁棒性,称为松弛鲁棒性.其对应的松弛鲁棒模型包含了相关文献中出现的具有松弛意义的大部分模型,例如偏离鲁棒模型、可靠鲁棒模型、软鲁棒模型以及随机方法中的期望值模型和风险规避模型.这个统一的模型表明:对不确定性的处理方式取决于决策者对不确定性掌握的信息、对这些信息的态度以及可用的数学方法.另外,提出了鲁棒性测度并研究了它的一些基本性质,如平移同变性、单调性、正齐次性和凸性.2.在基于分量比较的序结构上,对无穷多目标优化问题引入了Pareto有效性和Geoffrion真有效性,并借此表明了无穷多目标优化与不确定/鲁棒优化的密切关系.针对一般的不确定优化问题,利用推广的ε-约束方法得到了 Pareto鲁棒解的生成方法.通过一族锥刻画了Geoffrion真有效性,并揭示了Pareto有效性与Geoffrion真有效性的本质区别:Pareto有效性需要对其它的成员补偿都有界,而Geoffrion真有效性要求对其它的成员补偿一致有界.最后,将Geoffrion真有效性应用到鲁棒对应上,得到了不确定型选择理论中著名的Hurwicz准则.3.遵循鲁棒标量优化中的研究方法,对不确定向量优化问题,首先建立了硬性意义下的鲁棒对应模型.然后,出于对这个鲁棒模型一个缺点的修正,利用Pareto有效性的思想将其松弛,得到了紧性意义下的鲁棒对应模型.不同于文献中大量使用的集方法,这两个鲁棒模型属于鲁棒多目标/向量优化研究中的向量方法.与基于集方法得到的鲁棒模型进行了深刻地比较,展示出它们特殊的地位以及向量方法更大的潜力.4.对带模糊参数的互补问题,利用可能性理论中的可能性测度和必要性测度去除模糊,提出了两类确定性的模型,分别称为可能性满意模型和必要性满意模型.从不同的角度进行了分析,得到了它们的解具有的一些重要特征.随后,比较了几种受不同类型的不确定性影响的互补问题及相应的处理方法,包括对模糊映射的模糊互补问题、对不确定集的鲁棒互补问题和对随机不确定性的随机互补问题.最后,将这两类模型应用到模糊优化、模糊博弈和带模糊互补约束的数学规划问题上.