进化算法(EA)是以进化理论为基础的群体智能搜索算法，在解决多目标优化问题(MOPs)有明显的优势，已经成为多目标研究的热点。基于分解的多目标进化算法(MOEA/D)采用数学规划方法，是一种快速、高效的多目标进化算法(MOEA)。在求解MOPs时，与其它算法相比，MOEA/D的收敛速度快、分布性好。但该算法在求解非凸帕累托前沿函数时最优解的质量有待提高。因此，提高MOEA/D在非凸函数上的性能具有重要的学术理论意义和实际应用价值。本文主要针对MOEA/D在解决非凸MOPs中存在的不足，将MOEA/D与量子进化算法QEA相结合，提出了基于分解的多目标量子差分进化算法(QD-MOEA/D)，并进行相应的数值模拟实验，然后将该算法应用于解决银行组合信贷决策问题。本文的主要内容如下：1.介绍了MOPs的基本概念，并分析了多目标进化算法(MOEA)的研究现状。同时，详细阐述了MOEA/D的特征和算法流程，并给出了多目标进化算法常用的测试函数和性能度量指标，最后简述了QEA的相关概念和流程。2.鉴于量子进化算法在多峰值函数上的优良性能，将MOEA/D与量子进化算法相结合，提出了基于分解的多目标量子差分进化算法(QD-MOEA/D)。QD-MOEA/D的量子染色体采用实数编码，节省存储空间，加快运算速度。为了加快算法收敛速度并提高算法探测能力，量子染色体采取差分进化，其变异方式为量子非门。在多个标准测试函数的实验结果表明该算法改进了MOEA/D在非凸函数上的收敛性和分布性。3.将QD-MOEA/D用于银行贷款组合优化问题。先将银行贷款组合优化问题抽象为一个多目标优化问题，并采用QD-MOEA/D求解该问题，为决策者提供一系列不同偏好的决策支持，进一步验证了本文提出的算法的有效性。