在工业生产和科学研究中存在着大量的多目标优化问题,这些多目标优化问题中包含着多个相互冲突的目标函数,并没有一种解决方案能使所有的目标函数同时达到最优。近些年来,以进化算法为代表的元启发式算法在求解多目标优化问题时取得了不错的效果。其中,基于分解的多目标优化算法（MOEA/D）在目标空间内通过一组均匀的权重向量将多目标优化问题转换为一组单目标优化子问题,并通过优化这些子问题最终得到帕累托最优解。MOEA/D作为一种算法框架,可以通过不同的分解方式对目标空间进行分解,还可以采用不同的优化方法对子问题进行优化。MOEA/D算法具有搜索能力强,不依赖于问题特征等特点,这使得MOEA/D算法迅速受到研究者们的青睐,针对MOEA/D改进的算法也涌现出来。差分进化算法属于进化算法的一种,其算法的核心思想就是采用差分向量来完成对目标空间的搜索。由于差分进化算法具有操作简单、易于实现的特点,差分进化算法被更多的用来解决组合优化问题。MOEA/D-DE算法则是将差分进化算法和MOEA/D算法结合,利用差分进化算法替代模拟二进制交叉操作来产生新解,进而提高解的多样性。差分进化算法的性能主要受到控制参数的影响,而差分进化算法的控制参数主要有三个:种群大小、交叉概率和缩放因子。但是,在MOEA/D-DE算法中,交叉概率和缩放因子都是固定的,这样会导致算法的收敛性降低,并且更容易陷入局部最优。为了解决此问题,本文以差分进化算法为基础,提出了三种自适应操作策略来动态的调整交叉概率和缩放因子的大小,第一种LAD:和随着进化代数线性变化;第二种PAD:和随着进化代数呈幂指数形式变化;第三种EAD:和随着进化代数呈指数形式变化。此外,本文还设计了一个控制参数η,η的大小可以直接影响和的变化速率,借此来探究η的变化对算法整体性能产生的影响。本文将这三种自适应策略和MOEA/D算法结合来解决多目标优化问题,同时选取MOEA/D-DE算法作为对比算法。实验结果证明,在大多数测试问题上,带有自适应策略的算法整体性能要优于MOEA/D-DE。此外,为了进一步测试这三种自适应策略在解决超多目标优化问题时的性能表现,本文将这三种自适应策略和MOEA/D-Pa S算法结合来解决超多目标优化问题。相比于多目标优化问题,超多目标优化问题具有更复杂的帕累托前沿,对于算法的搜索性能具有更高的要求。测试问题则选取了WFG和Ma F两组测试集共16个测试函数来检验算法的整体表现,与MOEA/D-Pa S相比,这三种自适应策略在大部分测试问题上的性能表现都要更好,在这三种自适应策略中,PAD的综合表现最好。最后,为了探究这三种自适应策略在实际工程应用中的表现,本文将这三种策略和多目标算法结合应用到了卫星测控问题中,并将卫星测控问题建模为最小化任务失败率和天线负载均衡度的2目标优化问题,同时选取了美国空军航空技术学院提供的7个卫星测控问题作为测试问题。实验结果表明,带有自适应策略的算法在大多数测试问题上的表现要更好,相比于LAD和EAD,PAD策略的综合表现最好。综上所述,本文提出了三种自适应差分进化策略并将这三种策略应用到多目标优化问题、超多目标优化问题以及卫星测控问题中,不仅在算法理论上有所创新,同时也为解决实际工程应用问题提供了新的思路。