近年来,人们对于多目标优化问题的研究不断深入,其原因在于多目标优化问题广泛存在于如潜艇推进系统优化,航空发动机健康管理,汽车发动机校准,水流分配等工程、科学领域。随着多目标优化问题的不断发展,其出现了越来越复杂的表现形式,从而衍生出超多目标优化问题。在处理超多目标进化问题时,传统的算法存在非支配解之间关系不明确,解在Pareto前沿分布不理想等问题。如何更好地平衡超多目标进化算法的收敛性和多样性成为近年来进化优化领域的研究热点和难点问题,同时高效的算法设计对于超多目标优化问题具有重要的理论及实际意义。超多目标进化算法的设计准则通常有两个:收敛性准则与多样性准则。通过研究发现解的多样性往往采用参考向量分解种群的方法来保证,另外使用参考点指导搜索解的方式也可以保证解的多样性。而解的收敛性通常使用支配关系来保证。传统的支配方式对非支配解进行分层排序,优先级高的层级中的解作为收敛性好的解被挑选出来进入下一代种群。随着目标数目的增长,传统的Pareto支配方式不能很好地对非支配解进行排序,使得超多目标进化算法的收敛性不能得到保障。因此寻找一种新的超多目标进化算法保证解的收敛性与多样性显得尤为重要。本文提出分解与支配关系结合的方式解决超多目标进化问题,旨在同时保证解的收敛性与多样性。主要工作如下:1.针对帕累托前沿具有多峰,线性,不连续等复杂的超多目标进化问题,本文提出一种改进的基于分解与角度支配关系指导的超多目标进化算法(Decomposition and angle dominance relation based many-objective evolutionary algorithm,Ddr EA)。该算法首先利用参考向量把整个种群分解为一组子种群,然后对这些子种群进行协同优化,利用角度支配关系和角度计算子种群内每个解的值以保证解的收敛性与多样性;最后根据适应度值进行精英选择,使精英解进入下一代。仿真实验结果表明:与主流的超多目标进化算法相比,Ddr EA能够更好地平衡解的收敛性与多样性。2.针对帕累托前沿具有不连续,退化等复杂的超多目标进化问题,本文提出一种基于参考点和角度支配关系的超多目标进化算法(Reference point and angle dominance relation based many-objective evolutionary algorithm,Rp Adr)。该算法首先利用角度支配准则对非支配解进行分层排序以保证解的收敛性,然后使用参考点引导的小生境保留策略对解集进行搜索保证解的多样性,随着进化代数的增长求得最终的解集。仿真结果表明:与主流的超多目标进化算法相比,Rp Adr算法在处理不连续,退化等复杂的Pareto前沿问题时表现出较为优异的算法性能,能够很好地平衡解的收敛性与多样性。