许多实际问题可被定义为多目标优化问题。这样的优化问题通常有着不止一个相互冲突的目标。基于分解的多目标演化优化算法(Multi-objective Optimization Evolutionary Algorithm Based on Decomposition,MOEA/D)是一种有代表性的多目标优化算法,因其在多目标优化问题以及高维多目标优化问题上的有效性,受到了演化计算研究者群体的广泛关注。然而它的算法性能和权重向量的设置有着密切的关系。本文分析了现有权重向量调节方法的固有缺陷,并在此基础上提出了新的权重向量调节方法,借此对权重向量调节频次这一话题进行了探讨。除此之外,本文还对现有基于分解的昂贵多目标优化算法进行了分析,并为昂贵高维多目标优化提出了一种新的算法框架以及相应的权重向量调节方法。本文的主要创新点如下:(1)本文提出了只需两次调节权重向量的新策略。新策略下的MOEA/D使用权重向量网络作为外部集合来存储整个过程中所有搜索到的解,并在算法后期将MOEA/D中原本的权重向量和种群替换为该外部集合存储的权重向量和解集。新提出的方法不仅最大限度地减小了权重向量调节对算法收敛性能的影响,而且很好地避免了极少权重向量调节次数所带来的调节不充分问题。(2)本文提出了一种新型混合算法框架。该框架将基于分类器的和基于分解的两种算法连接在一起。还有一种新型权重向量调节策略被用作这两种不同的昂贵多目标算法之间的连接器。新的混合算法很好地继承了两种算法在加速收敛和保持多样性分布两方面的优点。