实际问题中,经常遇到需同时优化的相互冲突的多个目标,种群群体算法可以较好地解决多目标优化问题。基于分解的多目标优化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)作为其中的突出代表,将多目标进行分解、转换为同时优化几个单目标的问题,以其较强的解搜索能力、高效的适应度评价和良好的收敛性能等优点成为研究热点并应用于各个领域。本文从MOEA/D算法入手研究其优缺点,通过改进尽量发挥其优点避其缺点并应用于实际问题中。主要工作包括:由于MOEA/D算法的优势是同时优化各子问题,降低了传统多目标优化算法的多样性,但不足之处在于随着目标维度的上升,算法求得的近似Pareto解的个数随之增加,导致算法全局搜索最优解的能力下降和Pareto解集较为复杂时,算法对最优解的选取存在不足、易陷入局部最优。本文提出两种不同思路的改进MOEA/D(Improved Multi-objective Evolutionary Algorithm Based on Decomposition,IMOEAD)。第一种,首先通过引入正态分布交叉算子,利用其正态分布和离散重组操作扩大搜索解空间的能力,使得解的质量和多样性明显提高;其次通过对重组后产生的子解引入莱维飞行对解进行修正,增加了搜索解的灵活性,有效提高解的精度和算法搜索全局最优解的性能;最后提出一种通过求解欧氏距离的最优解选择机制来筛选指定个数的解放入归档集,使最优解的选取更加均匀且稳定。通过以上三个方面的改进,增大了多目标优化的解的空间搜索范围,提高了算法在迭代过程中解的稳定性和精度。第二种,算法从权重向量的生成方式入手,鉴于原始MOEA/D算法中采用单格子点法生成的权重向量个数受限,无法根据问题情况自由生成相应的个数而提出通过均匀设计的方式生成;由于原始MOEA/D采用的多项式变异并不能得到较好的进化个体,通过将多项式变异和非均匀变异混合使进化后的解更趋向于Pareto,原因在于在非均匀变异过程中,解的优化沿着当前最优解的方向进化,而当前最优解的选取仍采用第一种改进思路中的欧式距离法。通过以上改进,解的搜索范围更广且解的收敛速度更快。以上两种IMOEAD算法分别在ZDT和DTLZ测试函数集上测试,实验结果表明,这两种IMOEAD算法在解的收敛性能、稳定性和准确性上均优于原算法以及其他四种对比算法。进一步将两种IMOEAD应用于基于阵列天线的方向图优化中,实验采用8元直线阵列,通过最小化激励电流降低最大旁瓣电平,使主瓣的能量增大从而改善方向性来提高能量的传输效率。对于无线通信中一个缺点即共信道串扰,可以通过将零点指向终端来克服,因此将两种IMOEAD应用于无线移动通信系统中在特定位置产生零点,实验结果表明效果显著。