现实世界中存在许多约束多目标优化问题,如产品设计中,在考虑最低成本和最大经济效益两个目标的同时还有交货时间的限制。近年来,进化算法在约束优化领域取得了很多好的研究成果,已经成为研究约束多目标优化问题的主流方向,其中差分进化算法（DE）是最典型的进化算法之一。但是,随着目标函数的增多和约束条件的复杂,现有的约束多目标进化算法存在多样性较差、收敛过慢及计算资源浪费严重等缺陷,因此,亟需设计高效且实用的约束多目标进化算法来求解复杂的约束多目标优化问题。解决约束多目标优化问题的关键在于平衡目标函数与约束条件之间的冲突,而在约束多目标进化算法中,通过协调种群的多样性、可行性与收敛性来保持这种平衡。本文提出了几种改进的约束多目标进化算法,以实现在种群进化过程中动态地平衡目标函数和约束条件,主要工作包括:1.提出了一种基于目标与约束相关性的约束多目标进化算法。该算法包括两个阶段:学习阶段和进化阶段。学习阶段基于改进的DE学习每个目标和约束之间的相关性;进化阶段首先将原约束多目标优化问题分解为一组单目标约束子问题,然后通过DE协同进化框架来优化求解。其中,每个子种群执行约束DE来优化分配的子问题,其适应度函数由相关性构造;对于存档种群,设计了一种更新机制实现对原约束多目标优化问题的求解。在两组基准测试问题上的实验结果表明,提出的算法优于其他5种进化算法。2.提出了一种自适应两阶段约束多目标进化算法。算法在种群进化过程中,自适应地根据不同的适应度评价策略在两个阶段之间切换,以达到动态平衡目标函数与约束条件的目的,尤其对于具有复杂约束Pareto前沿（CPF）问题的求解。一个阶段注重目标函数的满足,即保证种群的多样性,使种群快速跨越不可行域到达可行域;另一个阶段,注重约束条件的满足,即保证种群的可行性,使种群尽快收敛到真实CPF上。此外,设计了一种DE变异算子引导种群进化。在一组具有不同类型CPF的基准测试问题上的实验结果表明,相较于其他4种进化算法,提出的算法获得更高的收敛精度;在另外两组经典的测试问题上的结果表明,该算法具有很好的通用性。3.提出了一种基于混合选择策略的约束超多目标进化算法。首先定义了一种新的目标与约束之间的相关性,然后根据相关性设计了一种混合选择策略引导种群逼近真实CPF。首先在一组基准测试问题上进行验证,然后将提出的算法应用到实际问题——城市供水管道网络优化,两组实验结果表明,提出的算法优于其他4种进化算法。