优化问题广泛存在于现实世界的生活中。作为解决优化问题的重要工具,进化算法（Evolutionaryalgorithms,EAs）由于其各方面的优势而逐渐受到越来越多的关注。而在优化问题中,约束多目标优化问题（Constrained multi-objective optimization problems,CMOPs）是一类广泛存在于各类工程中的问题。为了使用EAs来解决CMOPs,很多约束处理技术被开发出来。其中,双种群机制由于其优秀的效果而得到了快速发展。然而,在过往使用了双种群机制的大多数算法中,辅助种群很容易出现无法对输出种群起到帮助作用的情况,甚至在某些CMOPs上辅助种群会对计算资源造成浪费。以此为切入点,本文以双种群的约束多目标进化算法（Constrained multi-objective evolutionary algorithm,CMOEAs）为研究对象,通过对辅助种群的属性和更新方式进行研究,完成了算法设计、算法效果验证及实际应用等工作。本文的主要内容如下:1.通过介绍本文的研究背景及意义引出本文研究的必要性。随后通过分析各个约束处理技术的不足之处来说明双种群机制的优势。接着对于过往已经被提出的基于双种群机制的约束多目标进化算法进行介绍,最后总结上述双种群CMOEAs中存在的缺陷,说明本文研究的思路。2.针对双种群CMOEAs中辅助种群经常浪费计算资源的问题,设计了一个基于动态种群规模的双种群进化算法。在此算法中,为了避免辅助种群在进化的后期浪费过多计算资源但不能对主种群提供有效帮助的情况,一种动态种群缩减机制被用来动态调整辅助种群的规模。以降低种群规模的方式来缩减辅助种群所消耗的计算资源,从而为主种群提供更多资源用来提高其多样性。另外,为了提高主种群在后期的多样性,加入了一个外部存档来保存辅助种群找到的可行个体,此存档在后期进行信息交互时能够帮助主种群分布地更加均匀。在基准函数测试集上的对比实验结果证明了所设计算法的优秀性能。最后,使用所设计的算法来解决一个实际优化问题,即焊接梁设计优化问题。最终的实验结果证明了所设计的算法在解决实际CMOPs时能够表现出很强的竞争力。3.针对双种群CMOEAs中辅助种群在后期不能为主种群提供有效帮助的问题,设计了一个基于动态辅助种群的双种群进化算法。在此算法中使用了一种动态约束处理机制来对辅助种群进行更新。通过逐个处理约束来使辅助种群最终能够和主种群进行相同的任务。由于辅助种群收敛到最优解的方式和主种群并不相同,因此辅助种群能够为主种群提供更多有效的信息,并且在后期依然能够帮助主种群提高多样性。其次,在本算法中还设计了一种动态资源分配机制,目的是为了合理地为两个种群分配有限的计算资源。在基准函数测试集上的对比实验结果肯定了所设计算法的性能。最后,所设计的算法被用来解决振动台设计优化问题,实验结果证明了所设计的算法相比其他约束多目标进化算法能够更好地解决实际生活中的约束多目标优化问题。