随着科学研究的不断进步以及工程实践的快速发展,多目标优化问题的存在越来越普遍。多目标进化算法由于其基于种群的特性成为了解决该类问题最有效的方法之一。尽管大量的变异算子被设计出来解决具有各种难点的优化问题,但绝大部分多目标进化算法仍然在面对不同问题时使用固定的变异算子。依靠重复实验选出最合适的算子需要消耗大量的人力物力,因此近些年来的一些研究致力于在算法搜索过程中自适应地选择不同的算子来避免繁杂的人工干预。为了解决算子选择所面临的探索与开发的平衡问题,并适应算法优化过程中动态改变的环境。本文使用多臂老虎机（Multi-armed Bandit,MAB）对其进行数学建模,提出了两种基于汤普森采样（Thompson Sampling,TS）的自适应算子选择策略。在两种策略中都假设了算子的奖励分布服从二项分布,具体来说首先为每个算子赋予一个Beta先验分布。先验分布的参数将会依据算法优化过程中算子的表现来进行更新。在进行子代生成时,算子会根据从各自奖励分布采样的结果进行选择并应用。针对于多目标进化算法的动态环境,本文的两种方法分别从主动自适应和被动自适应的角度出发。前者使用了一种改进的双边累积和检验（Cumulative Sum Test,CUSUM）来监测各算子的奖励分布,同时从正向漂移和负向漂移两方面考虑。一旦任一方向的漂移值超出了设定的阈值就认为该算子的奖励分布发生了改变,将汤普森采样算法进行重启。后者则利用了动态汤普森采样算法,对分布参数的更新规则进行改进,使得近期的奖励信息获得更大的权重,久远的奖励则以指数速度遗忘。同时保证了各算子的奖励分布不会过于集中于均值,提供了一定程度的探索能力。基于以上两种自适应算子选择策略,本文提出了两个全新的自适应多目标进化算法。在实验环节中,通过与多个先进算法在不同复杂测试问题集上的比较,证明了提出算法的有效性。最后本文还基于两个算法的理论基础,设计并实现了一个高性能的多目标进化算法系统,提供了算法结果可视化和多线程加速的大规模实验平台等功能。在与三个其他同类型系统进行比较时,同等配置下该系统的运行效率远优于其他三者,验证了其高性能的特点。