现实世界中存在大量需要同时优化超过三个以上目标的问题，这类优化问题称之为高维多目标优化问题。高维多目标优化问题中目标数量较多且目标之间相互矛盾，因此如何获得一组收敛良好且分布均匀的解集，是高维多目标优化研究中的关键内容。　　本文研究高维多目标优化算法及其在光伏发电领域和电力电子技术领域的应用，主要内容包括以下几点：　　在很多高维多目标优化问题中，由于问题的前沿面形状不规则（凹面、退化曲线或断裂前沿面），很难获得一组分布均匀且收敛的解集。为了获得一组高质量解，提出一种基于区域划分的高维多目标优化算法RdEA(Region Division based Evolutionary Algorithm)。RdEA算法在环境选择过程中，先获得当前种群非支配解集的几何信息，再根据几何信息将目标空间划分为一系列子区域，然后依次从每个非空子区域中选择一个解构成下一代种群。在子区域划分过程中，由于非支配解前沿面凹凸性未知，传统算法获得解集容易出现前沿面中心区域解密度与边缘区域解密度不同的情况，导致种群多样性不足使得种群早熟而无法收敛到最优。RdEA算法通过计算当前种群非支配解集前沿面的凹凸度，将种群划分到均匀分布的子区域内，保证从每个子区域选择的解集能够具有很好的多样性。实验利用DTLZ1～4和WFG4～9测试问题验证了算法在规则前沿面高维多目标优化问题上与其他算法相当的性能，利用DTLZ5～7和WFG1～3测试问题验证了算法在非规则前沿面高维多目标优化问题上优于其他算法性能。实验结果说明RdEA算法是一个有效求解非规则前沿面高维多目标优化问题的算法。　　在高维多目标优化问题中，随着目标数量的增加，通过目标空间中点间欧式距离来衡量点的稀疏程度失去了意义，导致传统的多样性保持策略在高维多目标优化问题上失效，为了保持种群多样性以求解高维多目标优化问题，引入雷达映射，提出一个映射空间划分的高维多目标优化算法RSEA(Radial Space Division based Evolutionary Algorithm)。首先验证了高维空间中点的分布与映射空间中点的分布相关，然后将高维目标向量映射到低维雷达空间，再将雷达空间均匀划分成网格，接着根据每个网格中解的密度及其收敛程度选择若干解作为下一代种群。与其他主流算法在DTLZ、WFG以及MaF测试集中的若干问题验证了算法种群多样性的有效性，证明了RSEA算法求解高维多目标优化问题的优异性能。　　除了多样性保持困难，现实中有些高维多目标优化问题还面临目标评价代价高昂问题，为了求解这种限定使用极少真实目标评价次数的高维多目标优化问题，提出了一个基于分类器代理辅助的昂贵高维多目标优化算法CSEA(Classification based Surrogate-Assisted Evolutionary Algorithm)。首先根据RSEA中的选择方法选择一组参考解集，然后根据单个解与参考解集间的支配关系提出了一种分类标准，并将现有解集分成不同类别，再根据这些分类好的解去训练一个神经网络分类器，之后通过该分类器预测未知解的类别，选择潜在好的解进行真实评价，最终获得一组质量较好的解集。实验利用DTLZ、WFG、MaF测试集中的问题验证了算法代理模型的有效性，与其他主流代理模型算法对比结果证明了算法能够很好的求解昂贵高维多目标优化问题。　　在光伏发电系统中，最大功率点对应着发电系统最大发电效率，为追踪光伏最大功率点，提出基于多目标优化的光伏最大功率点追踪方法。方法首先将光伏最大功率点追踪问题多目标化，然后按照二分法快速找到近似最大功率点，之后基于多目标优化算法精确寻找最大功率点，当光伏太阳能板环境再次发生改变时，多目标优化算法利用上一时刻获得的最优解集快速的寻找到当前时刻最大功率点。与其他主流最大功率追踪点追踪方法在不同环境下的仿真结果证明了算法最大功率点追踪的准确性和鲁棒性。　　高阶高性能滤波器是高功率供电网络中至关重要的组成部分，而高阶高性能滤波器的设计由于涉及到大量相互矛盾的性能指标以及行业标准限定的约束而尤为困难，为了解决这个问题，提出基于RSEA的约束高维多目标优化算法cRSEA(RSEA with Constraints Handing)，并设计通用决策方法以从一组候选解中选择一个解，使得设计的滤波器具有鲁棒性。实验使用基于LTLCL滤波器的65kW三相并网装置验证滤波器设计算法的有效性。实验结果说明算法能够寻找到性能优异且满足约束的设计方案。