工程中往往存在需要同时优化多个相互矛盾目标的问题,他们通常被称为多目标优化问题。当需要优化的目标数在4个及其以上时通常被称为超多目标优化问题。不同于单目标优化存在唯一的最优解,多目标优化的求解目标是一组相互之间不可比的Pareto最优解集(其在目标域的投影称为Pareto前沿(PF))。因此,利用基于群体的进化算法求解多目标优化问题具有天然的优势。本文在分析现有的几类进化超多目标优化算法的基础上,提出了两种基于极值点搜索的进化超多目标优化算法:第一种,提出一种基于极值点搜索和非支配排序的进化超多目标优化算法(NSGA-II-BS)。第一阶段,近似出表示Pareto前沿范围的极值点(nadir point);在第二阶段中,通过近似的极值点将目标空间划分成为内、外部空间。并只对内部有效目标空间中的解采用传统的非支配排序和拥挤度距离选择精英解,以此来提升算法的收敛性能。所提出的算法与当前6个主流的超多目标优化算法在基准测试问题上进行了比较。实验表明,提出的NSGA-II-BS算法的鲁棒性优于其它算法。第二种,为了提高算法在处理具有不规则Pareto前沿的多目标优化问题的能力,本文进一步提出了一种基于鲁棒极值点搜索与角度选择的超多目标优化算法(MOEA-R&A),并与8个主流的进化超多目标优化算法在基准测试问题上进行了比较。实验表明,提出的MOEA-R&A算法的最终性能以及在具有不同Pareto前沿形状的优化问题上的鲁棒性均优于其它算法。