高维目标优化问题广泛存在于科学研究和工程实践中,有着重要的研究价值及应用前景。随着目标维度的增加,传统的多目标优化算法的性能会急剧下降。基于分解的多目标进化算法MOEA/D减轻了非支配解的排序压力,该算法凭借优秀的搜索能力、出色的收敛性获得国内外专家学者广泛关注。然而,该算法在更新过程中,每个子问题都从邻域中选取父代进行交叉变异,邻域结构在整个进化过程中维持不变,在一定程度上限制了父代选择的范围,在搜索后期会出现种群退化、收敛速度放缓等问题。为解决以上问题,本文在MOEA/D算法基础上,提出了邻域重构策略改善父代解集质量,提升种群收敛速度,同时有效缓解种群退化现象。邻域重构策略改变原始框架下的父代选择方式,从子问题邻域和精英解组成的新邻域集合中选择父代。在不改变邻域规模情况下,改善了父代解集质量,同时提升了解集的多样性,加快了种群收敛速度。在2至10维DTLZ1-4系列测试问题上对算法进行性能测试,实验结果表明,本算法有效解决种群退化的问题,使得种群更快逼近Pareto前沿面,有效提升了算法的收敛速度,平衡了算法收敛性和多样性。本文针对多目标柔性车间调度问题,建立了最大完工时间、机器总负载、工件延期及总能耗最小化的多目标数学模型,运用所提出的MOEA/D-RNS算法进行求解,并与经典的NSGA-II等多目标进化算法进行仿真实验对比分析,基于占优关系的NSGA-II算法在求解过程中会出现收敛性差、种群选择压力不足的问题,而算法MOEA/D-RNS则有效改善算法早熟的问题,能较好维持种群多样性。