在现实问题中广泛存在着很多复杂的优化问题,通常包含着多个同时优化且相互制约的目标。为了解决这种多目标优化问题,研究人员设计了大量的多目标进化算法,用来寻找目标空间的一组折中解集。而随着社会的发展、实际业务的变化以及对应用中优化问题研究的深入,决策者对多目标问题的优化需求也变得更加复杂和多样化。在一些实际问题中,研究人员发现存在一些多模多目标优化问题。这种问题的特征表现为决策空间中可能有多个等价解对应目标空间中相同的目标值,所以传统的多目标进化算法无法很好解决这类问题。传统多目标进化算法仅仅关注目标空间的平衡,而多模多目标进化算法不仅关注目标空间与决策空间上的平衡,同时也关注局部最优和全局最优之间的平衡。因此,多模多目标进化算法十分适合解决多模多目标优化问题。本文通过研究发现,在优化过程中,多模多目标优化问题和多目标优化问题虽然在目标空间较为相似,但是在决策空间中却有很大的区别。等价解集之间在进化过程中会互相竞争导致解集多样性的缺失,其次局部最优解集受到全局最优解集的支配压力也很难在环境选择中保存下来。因此,针对这两个难点,本文提出相应改进算法,包括以下两个主要工作:首先,本文提出了基于密度估计和One-by-One更新策略的多模多目标进化算法（MMOEA-GD）。该算法基于调和平均距离的计算方法来提升算法决策空间中密度估计的准确性,从而可以增强算法种群更新的能力,保障了种群的分布性。此外,算法采用One-by-One的更新策略提升算法更新策略的精度,避免等价解被误删,以此来保证决策空间中等价解集的分布性。其次,本文提出了一个基于均值漂移聚类和局部最优监测的双模式更新策略的多模多目标进化算法（MMOEA-LC&DU）。该算法采用均值漂移聚类的方法将决策空间中的种群进行分类,避免或者减少了等价解集之间的竞争。同时该算法采用局部最优的监测机制,判断种群中是否有可能存在局部最优解集。如果是局部最优问题,算法执行基于分层聚类的更新策略,通过分层聚类的方法将目标空间中的局部Pareto最优端面和全局Pareto最优端面区分开来进行种群更新,避免局部最优解集被支配;否则采用基于小生境密度的全局最优更新策略,通过在目标空间和决策空间划分小生境的方法,将种群目标空间和决策空间的密度同时考虑,以获取种群分布性和收敛性的平衡。利用这种方法,算法提高了自身的性能并成功解决了当前的多模多目标优化问题。