大量的工程应用问题、科学研究中的问题以及实际应用中的问题都可以转换为多目标优化问题。对关于多目标优化问题求解的算法研究一直是一个热点领域,在最近的二十多年中,随着对遗传算法等进化算法和多目标优化问题的深入研究,进化算法已然成为了解决多目标优化问题的主流。多目标进化算法是一类启发式算法,其具有通用性,并行性和一次运行可获得多个问题解的优点。基于分解的多目标进化算法简称MOEA/D(Multi-objective Evolutionary Algorithm based on Decomposition)是最近提出的一类多目标进化算法,其通过分解函数将多目标优化问题分解为多个简单的单目标优化问题,从而降低了求解多目标优化问题和高维多目标优化问题(Many-objective)的复杂度。然而依旧在解决困难多目标优化问题和应用层面存在很大的挑战。因此,对MOEA/D框架进行有效的改进并应用于实际问题将具有非常重要的理论意义和应用价值。本文主要基于MOEA/D框架改进及其应用研究进行深入的探讨,其主要工作概括如下:1)在多目标优化算法中,非常关注的两点分别是帕累托解集的收敛性和多样性,在优化过程中,所选择的帕累托解集必须与帕累托前沿既要尽可能接近又要尽可能均匀的沿着帕累托前沿分布。在MOEA/D算法框架中,如果帕累托解集的多样性不够容易导致多个子问题对应同一个解,这事实上不利于算法的整体优化,最终帕累托解集即不能保持良好的多样性,同时也很难达到较好的收敛性。针对这一问题,本文首先探讨了子问题集和帕累托解集之间的对应关系,接着在此基础上根据子问题对应的向量,描述了对解的目标区域进行区域划分的概念,并根据该概念提出了自适应区域调整策略,该策略用来平衡帕累托解集的收敛性和多样性。然后将该策略嵌入到MOEA/D算法框架中提出一个简单却有效的算法实现。最后,为了证明所提算法的有效性,设计了全面的对比实验和参数实验,实验结果表明了本文提出的算法的有效性。2)在MOEA/D算法框架中,各个子问题之间的优化过程和难度并不一样,从而不同的子问题需要的计算资源以及子问题之间的分配计算资源的顺序也不相同。然而,在MOEA/D算法框架中对所有的子问题都分配相同的资源且没有区别的对待。事实上,在子问题之间合理分配计算资源有利于减少计算资源的浪费并且总体上提高算法的性能。针对该问题,本文提出了一种基于MOEA/D子问题之间关系的资源分配策略。该策略通过子问题之间的解的更新替换关系来维护一个概率向量,并且该向量被用于指导选择哪些子问题进行下一次迭代优化。在探索边界子问题对整个优化过程的作用的基础上,提出了一个优先边界子问题策略来进一步改善资源分配策略。然后将该策略嵌入到MOEA/D算法框架中提出一个稳定的算法。最后综合的对比实验和参数实验研究表明该算法具有较好的性能。3)流感病毒的快速突变,使它们能够逃避群体免疫,这已成为流感疫苗设计的关键挑战。预测流感抗原进化并及时识别新的抗原变体至关重要。然而,传统的实验方法如血凝抑制(HI)测定选择疫苗菌株是时间和劳动密集型的。在本文中提出一种基于血凝素(HA)序列测定流感病毒抗原性的新的基于多目标优化的计算方法,该方法将线性回归模型、多项式回归模型与抗原映射相结合,利用流感HA1序列相似性量化抗原距离,并通过本文提出的多目标优化算法进行优化。首先提出了一种新的低秩矩阵完成模型,根据部分显露的抗原距离,基于HA蛋白序列的病毒相似性和基于疫苗株的疫苗相似性来推断抗原和抗血清之间的抗原距离来恢复HI表中的缺失值或者误差值。然后在此基础上量化病毒之间抗原距离作为回归模型的响应,构建起回归预测模型。最后通过大量的综合性的计算实验结果表明本文提出算法的优势。