目前高维多目标优化方法的研究与应用已经深入到了生产和科研的多个领域,已成为信息领域的研究热点。现有的基于宽松Pareto支配的高维多目标优化算法存在参数难以确定、搜索易发生偏移的缺陷,而且当目标数较多时所求得的Pareto近似解集存在收敛性不佳、分布不均匀、覆盖不完整等问题,且计算复杂。基于分解的多目标进化算法在求解高维多目标优化问题上具有卓越的收敛能力,但近似解集的分布性容易受到Pareto前沿面形状的影响,存在分布不均匀的缺陷,且当目标数量很多时,求解效果下降。因此,研究更为高效且实用的高维多目标进化算法具有重要的理论意义和潜在的实际应用价值。本文旨在通过对高维多目标优化内在机制的深入研究和剖析,针对进化算法在解决高维多目标优化问题上存在的缺陷,提出一系列改进措施,使改进的高维多目标进化算法在各类优化问题上的求解性能得到全面提升,并将改进后的算法应用于实际工程优化问题。论文的主要研究内容包括以下几个方面。为更好地求解目标数较少而前沿较复杂的高维多目标优化问题,将模糊理论引入到精英选择当中,提出了一种基于模糊支配的高维多目标进化算法(MFEA)。首先,利用模糊逻辑对支配关系进行改进,实现放宽支配条件,进而增强环境选择压力;其次,利用小生境技术和k邻域法对Harmonic距离进行改进,以有效邻域内的拥挤度来衡量个体在种群中的分布性,以较小的计算量实现个体拥挤密度快速、有效地估计;最后,采用截集的方式实现种群的快速非支配排序分层截断,以第一层中的个体保证种群的收敛性,以除第一层外其它层中的个体保证种群的分布性。数值试验结果证实了改进方法的有效性。为更好地求解目标数量较多而前沿形状较简单的高维多目标优化问题,通过设计自适应方向向量实现对个体运动轨迹和搜索方向的控制,提出了一种基于自适应方向向量的分解类高维多目标进化算法(MOEA/D-AD)。通过选取不同的指数使方向向量前端曲面具有不同的形状,以适应Pareto前沿面不同的凹凸情况。在进化过程中,方向向量定期地自适应调整:首先,通过方向向量的再分配,校准子问题方向向量与解之间的位置关系,移除处于不连续区域的子问题;其次,利用稀疏区域的非支配解进行反映射,在可行稀疏区域加入新的方向向量;最后,在不同的进化阶段,采用不同的评判准则对分解子问题集合进行重构,获得在可行区域内均匀分布的分解子问题集合。数值实验结果证实了改进方法的有效性。为更好地求解目标数量较多、目标函数和Pareto前沿面较复杂的高维多目标优化问题,将多目标分解技术与精英选择策略相结合,提出了一种基于多种群的高维多目标混合进化算法(MOHEA-AMD)。以切比雪夫分解技术解决目标数量多的问题,以精英选择策略解决前沿形状复杂的问题,并设计了多种群混合进化机制加强在各方向上和方向间的搜索能力,增强算法对复杂目标的求解能力。数值实验结果证实了改进方法的有效性。将改进后的3种高维多目标进化算法分别用于相应类型的大型船舶主尺度设计、MIMO雷达正交发射波形多相序列设计以及水路两栖可变形机器人参数优化三个高维多目标优化问题,以改善现有的设计方法。在验证改进算法有效性的同时,丰富高维多目标优化算法的应用领域。