多目标优化广泛存在于科学技术、生产调度和工程实践等领域.由于目标相互冲突,其解集必为一组折衷(trade-off)解.随着科学技术的发展,实际问题日益复杂,难以采用传统算法求解.而智能算法原理简单、鲁棒性强、收敛快,己成为多目标研究领域的热点之一.特别地,作为解多目标的典型算法,基于分解的多目标进化(MOEA/D)算法在维持解集多样性上已取得了较好进展,但仍存在收敛慢、分布性差等问题.最近,基于分解的多目标粒子群优化(MPSO/D)算法提出一种基于目标空间分解的更新策略,为解多目标优化提供了新思路,但在处理有复杂Pareto前沿面的问题时,仍存在解集分布不完整、不均匀等缺点.为克服这些不足,本文融合空间分解和Pareto支配的优势,提出了两种改进的多目标分解算法,具体工作如下:1.考虑到父代解的选择和种群更新对算法收敛性及解集分布性的影响,提出一种基于分解的改进自适应多目标粒子群优化算法.首先,在分解策略保证种群多样性的前提下,基于竞争结果设计了一种新适应度评价方法,从而对父代适应度和当前种群进行更新,加快了算法收敛.其次,在粒子更新时,依概率从邻居或邻居外随机选择个体最优和全局最优,避免了算法陷入局部最优.最后,引入外部文档储存历史精英解,并将其作为候选的输出种群,增强了算法解复杂问题的能力.2.考虑到变异算子和参数设置对差分算法性能的影响,基于目标空间分解,提出一种具有反馈的自适应分解多目标差分算法.首先,为更好地开发稀疏区域,提高算法搜索性能,设计了具有精英反馈的混合变异算子.该算子在搜索前期,借助稀疏个体的邻域信息,提升算法的局部开发,而在搜索后期,通过反馈精英个体的信息,增强算法的全局搜索.其次,为改善算法收敛性与解集分布性的平衡,对参数F和CR,分别设计了自适应的调整策略,并对CR随机扰动.最后,对进化种群和外部文档的IGD进行比较,输出最优解集.用数值结果说明了本文所提算法在解集收敛性和分布均匀性上更具优势。