学术研究和工业应用领域存在许多具有大规模、非线性、超多目标等特征的优化问题。由于传统优化方法不能较好的解决这类复杂优化问题,因此启发式优化方法受到了研究者们的广泛关注,演化算法是这类方法中优化效果最好的方法之一。演化算法主要由解表示、种群初始化、停机条件、后代产生、选择等五个部分组成,并具有基于种群的搜索策略、随机搜索策略和目标函数驱动等三个特点。演化算法已成功应用于解决多种复杂优化问题,然而算法也因一些缺点而被诟病,例如:解的不确定性、搜索效率低等。演化算法中,很多评估过的解会因为质量差而被直接丢弃,这是导致搜索效率低的原因之一。为了解决这个问题,本论文关注在演化算法的后代产生过程中得到高质量的解。为此,本论文提出了一个基于分类的预选择策略,并针对这一策略进行了系统的研究。论文的主要工作包括:第一,提出了基于二分类的预选择策略,这一概念性策略。该策略的主要思想是将预选择过程作为二分类问题来处理,首先,进行样本定义,根据样本定义策略,将当前种群中的解分类“好”和“差”两类;之后,构建模型,使用定义的样本数据构建分类模型;最后,后代标记与选择,通过构建的模型标记产生的候选后代解,并选出其中标记为“好”的解作为后代解,进行后续的优化过程。实验结果表明,提出的策略能够显著提升算法效率。第二,为了提高概念策略的效率,提出了两个基于分类的预选择策略的改进策略。第一个是基于单分类的预选择策略,该策略的主要思想是在样本定义过程中,将当前种群中的解均定义为“好”解,并运用这些解来构建单分类模型。第二个是基于模糊分类的预选择策略,该策略的主要思想是在后代标记与选择过程中,使用隶属度函数对候选后代解进行标记,并根据隶属度选择出“好”的后代解进行后续的优化过程。实验结果表明,两个策略能够有效提升概念策略的效率。第三,将预选择中的研究工作进行了两个方向的拓展。第一个是将基于分类的预选择策略应用在多目标优化中,该策略的主要思想是在样本定义过程中,将非支配解和支配解分别定义为“好”解和“差”解,并运用这些解来构建分类模型。实验结果表明,基于分类的预选择策略能显著提升三类多目标演化算法的效率。第二个是将基于分类的预选择拓展到基于分类的环境选择,与后代产生算子一样,环境选择是演化算法中另一个主要过程,该策略的主要思想是在不评估解的函数适应值的情况下,使用分类模型从父代种群和后代种群中选出“好”解组成新的种群,进而进行后续的优化过程。