大多数工程设计和科学研究等领域中普遍存在的优化决策问题均可以归纳为多目标优化问题(MOPs),这些各个优化目标间往往是相互联系但又彼此制约的,一个目标性能的优化会造成其他其余目标性能的劣化,即多个目标很难同时达到最优。因此针对MOPs的研究成为了进化计算中的一个富有重大意义和挑战性的课题。DE算法作为目前比较有效的进化算法之一,十分适合于MOPs的求解。目前针对多目标差分进化(MODE)算法的研究处在发展阶段,因此本文旨在研究MODE算法。全文的主要工作包括以下几个方面。首先针对MOPs的研究背景和意义予以全面的介绍;然后给出了它的数学模型和一些相关核心概念的定义说明;接着,介绍了MODE算法并回顾与总结了它的研究进展;最后,指出了目前MODE算法存在不足之处和难点问题。针对MODE算法在MOPs求解的过程中存在收敛性和分布均匀性欠佳等不足,提出了一种基于多策略排序变异的多目标差分进化算法(MODE-MSRM)。通过对差分进化过程中不同变异模式的研究,充分利用各自优点并将其与基于排序变异算子相结合,提出了一种自适应的多策略排序变异的DE算子,使得算法的探索和开发性能得到提高。为了更有效地维持Pareto最优解集的分布均匀性,引入一种基于熵的拥挤距离计算方法。实验结果说明MODE-MSRM算法相对于近期相关文献中的算法在求解MOPs时具有更好的收敛性和分布性。为了进一步促使算法能产生收敛性好且分布均匀的Pareto最优解集,基于MODE-MSRM算法,提出了一种基于外部归档和球面修剪机制的多目标差分进化算法(MODE-ASP)。该算法通过融入一种控制参数自适应的方法来提高算法的鲁棒性。此外,采用外部归档集合对进化过程中所能寻找到的非支配解予以保存。另外,在外部归档集合的维护过程中,使用球面修剪机制来代替基于熵的拥挤距离计算方法,以此使外部归档集合中的解具有较好的多样性和分布均匀性。实验结果表明,本章所提出的算法相对于相关文献中的算法具有一定的优势。在实际求解MOPs过程中,决策者通常只对部分区域内的解感兴趣,因此如何在进化过程中融入决策者偏好可提高算法搜索效率,为此提出了一种基于全局物理规划的偏好多目标差分进化算法(MODE-GPP)。该算法在前面MODE-ASP算法基础上,引入全局物理规划策略,运用更简洁有效的语言来表达决策者偏好,从而引导种群朝着决策者感兴趣的区域进化,以获得决策者比较满意的解。实验结果表明所提算法是比较有效的。