高维目标优化问题是目前多目标优化领域的研究热点和难点,且广泛应用于物流工程、机械工程和通讯工程等实际问题中,具有重要的研究价值。随着目标维数的增加,传统多目标优化算法的搜索机制快速陷入瓶颈,算法性能急剧下降,使其面临极大地挑战:一是个体选择压力急剧降低,二是种群规模呈指数级增长,三是算法性能难以平衡,四是解集在复杂Pareto前沿上的均匀性不足。为解决以上难点,相关学者考虑利用决策者的偏好信息处理高维目标优化问题。在实际情况中,决策者真正感兴趣的不是整个Pareto前沿,而是基于决策者偏好信息的某一局部区域。通过决策者给定的偏好信息,将搜索非支配解集的重点集中于偏好区域,不仅可以集中搜索资源,而且有助于决策者从大量解集中挑选满意解。本文从偏好引导的角度出发,提出偏好向量生成策略,通过决策者给定参考点g和偏好区域半径参数ε,将目标空间中均匀分布的权重向量按比例缩放生成偏好向量,消除算法收敛性对参考点位置的敏感性;同时引入角度惩罚距离机制,分析并改进该机制在算法搜索后期存在的缺陷,提出角度惩罚距离精英选择策略,通过有效分配算法资源,平衡算法收敛性和多样性;进而提出基于微元分解的偏好向量调整策略,通过当前种群形状模拟Pareto近似前沿,并利用微元思想建立种群与偏好向量之间的协同关系,调整偏好向量在目标空间中的分布,提高算法所得解集在复杂Pareto前沿上的分布均匀性;最后将本文所提算法应用于绿色供应链伙伴选择问题,为决策者选择合适的供应链伙伴提供尽可能优的方案,为求解具有实际物流背景的多约束非线性的复杂高维目标优化问题提供新思想和新方法。