多目标优化问题广泛运用于实际工程领域中,随着工程问题复杂度的提高,问题需优化的目标个数也越来越多,当目标数大于等于4时,称之为高维目标优化问题。由于目标数变多,现有的多目标进化算法在处理这些高维目标优化问题时会遇到一些挑战性问题,影响算法的收敛速度和种群多样性的维护,计算复杂度也会急剧升高,这也致使高维目标进化算法成为进化计算领域的一个研究热点。分解型多目标进化算法在近年来由于其优越的性能得到广泛的关注,在近几年新提出的众多高维目标进化算法中经常引入分解思想来维护种群的多样性,但是经典的纯分解型多目标进化算法如MOEA/D等在处理复杂高维目标优化问题时存在收敛性和种群多样性两方面的潜在不足,严重影响算法的性能。本文提出一种基于锥形分解的高维目标进化算法,从纯分解型多目标进化算法的角度高效地处理高维目标优化问题,同时有效解决了经典分解型算法MOEA/D的不足。本文的主要研究工作总结如下:1)引入个体的方向向量,提出了通用锥形分解策略,不仅将高维目标优化问题分解成一系列标量子问题,而且为每个子问题分配一个特有的锥形子区域,并采用K-D树来快速定位高维目标空间中每个特定个体所在的锥形子区域。2)在锥形分解策略的基础上进一步设计了个体锥形更新机制,使得后代个体只需更新与其所在锥形子区域相关联的当前最好个体,既准确定位了相似搜索方向上的合适更新对象,又成功限制了更新对象的数量。3)提出了基于锥形分解的高维目标进化算法,在该算法中不仅采用个体锥形更新机制解决了经典分解型算法的不足,而且利用方向向量进一步设计了带惩罚的方向距离指标作为锥形分解子问题新的标量目标函数,以更好地驱动个体在高维目标空间中沿着子问题的搜索方向逐步逼近前沿。4)进一步为基于锥形分解的高维目标进化算法设计了量级化处理机制、基于阈值比较的约束处理机制和方向向量自适应调整机制,扩展算法应对具有尺度差异、约束限制及不规则前沿等特殊高维目标优化问题的处理能力。5)在DTLZ系列标准测试例及其变体、MOP系列标准测试例,以及车辆驾驶室设计、刨床加工等五个实践工程问题上,将本文算法及其扩展算法与其他六个优秀的高维目标进化算法进行了解集质量和运行效率等方面的对比测试与性能评估。在标准测试例和实际工程问题上的实验结果表明,本文提出的基于锥形分解的高维目标进化算法在处理高维目标优化问题和复杂优化问题上在保持较好的计算效率优势的同时,能够获得总体最好的解集质量,在本文的所有对比算法中是最佳高维目标优化器。