在实际工程和科学研究中,人类总是遵从“最大化效益,最小化成本”这一优化原则,使得多目标优化问题成为研究的热点。多目标优化问题旨在同时优化相互冲突、相互约束的多个目标,获得一组近似的Pareto最优解集,以便决策者从中挑选最优方案。基于分解的多目标进化算法(MOEA/D)在解决多目标优化问题时具有较强的搜索能力,高效的适应度评价,良好的收敛性等优势成为研究热点。然而,随着目标维度的增加,种群中非支配解的比例迅速上升,同时逼近整个Pareto前沿所需的解的个数呈指数增长,使得算法搜索全局最优解的能力骤降;此外,处理具有复杂Pareto解集的多目标优化问题时,算法对优秀解的选择压力不足,易陷入局部最优。MOEA/D在求解此类多目标优化问题时,存在着求解质量不够高、收敛速度慢、收敛不到前沿、资源分配不合理等问题。针对上述两个难点,本文从算法的计算资源分配为切入点,通过分析不同大小的邻域对算法性能的影响,提出差异化邻域策略,对算法的计算资源进行有效地分配,从而提高算法性能。本文主要研究内容如下:(1)子问题邻域对基于分解的多目标进化算法性能影响较大:当邻域过大时,种群繁殖产生的新解偏离Pareto解集,在更新子问题时,新解与邻域内旧解的比较次数增多,增加算法的计算复杂度;当邻域过小时,算法容易陷入局部最优。为解决上述问题,本文提出基于差异化邻域策略的分解多目标进化算法,通过分析不同大小的邻域对算法性能的影响,来选择合适的参数,并根据每个子问题的权重向量与中心向量的偏角,为各子问题设置不同大小的邻域,从而合理分配算法资源,提高算法搜索全局最优解的速率。(2)将MOEA/D-DN应用于有硬时间窗的车辆路径问题。该算法在目标空间中生成均匀分布的权重向量,将多目标车辆路径问题分解成若干个的单目标优化子问题,使每个权重向量绑定一个个体,然后同时优化这些子问题,让个体沿着权重向量的方向向Pareto前沿收敛,通过差异化邻域策略给各个子问题分配合理的计算资源,增加算法对更优解的选择压力,并引入新颖交叉算子,避免算法陷入局部最优,为决策者提供更优的选择方案。