基于分解的多目标优化算法(multi-objective optimization evolutionary algorithm based on decomposition,简称MOEA/D)是多目标优化算法(multi-objective optimization evolutionary algorithms,简称MOEAs)中的一个重要分支。尽管MOEA/D已经很好地解决了很多多目标优化问题(multi-objective optimization problems,简称MOPs),但是该算法仍有很多不足,值得我们继续去对其做深入地研究。本文主要对MOEA/D进行改进以更好地求解目标个数比较多的高维多目标优化问题(many-objective optimization problems,简称MaOPs)的算法进行了研究。本文的工作主要概括如下:1.为了提高MOEA/D求解MaOPs的能力,提出了一种改进的MOEA/D(称为I-MOEA/D)。首先,我们重新设计了MOEA/D中的权向量,使得新的权向量分布更加广泛,并且对于在目标空间中搜索种群的多样性和算法的收敛性会更加有帮助。然后,我们重新设计了MOEA/D的分解方法,提出了一种“加权混合法”来对多目标优化问题进行有效地分解。“加权混合法”结合了加权和分解法和切比雪夫分解法的优点,对提高算法的性能很有帮助。实验结果证明了I-MOEA/D对MOEA/D在求解MaOPs上的改进是有效的。2.为了提高MOEA/D求解MOPs和MaOPs的能力,提出了另一种改进的MOEA/D(称为m MOEA/D)。一方面,我们采用带有抖动的权向量生成方法来生成一系列具有更广泛搜索能力的权向量。另一方面,我们对MOEA/D中的差分进化算子进行了改进。在实验部分,大量的对比实验证明了mMOEA/D对MOEA/D在求解MOPs和MaOPs上的改进是有效的。3.为了提高MOEA/D求解MaOPs的能力,提出了一种基于最优差分进化模式的MOEA/D,称为MOEA/D-oDE。一方面,MOEA/D-oDE采用了一种新的分解方式对MOPs进行有效地分解。另一方面,对DE算子设计了有效的交叉组合方式,有效地选取了对于当前子问题的最好的子代个体来进行后面的进化操作。在实验部分,大量的数值实验证明了本算法对MOEA/D在求解MaOPs上的改进是有效的。