近年来,多目标及超多目标进化算法(MOEA与MaOEA)的研究已经成为了一个研究热点。本文旨在通过对多目标优化及超多目标优化(MOP及MaOP)进行深入研究和剖析,针对基于分解的多目标进化算法(MOEA/D)进行改进,全面提升其在求解各类MOP和MaOP上的性能。MOEA/D把多目标空间划分成多个优化子问题,通过协同行为进行优化。MOEA/D通过一系列的组件组合而成,包括权重向量、分解方法、匹配策略、进化算子和种群更新策略。子问题是MOEA/D的关键,它是由权重向量和分解方法组成。分解方法可以明显地影响MOEA/D的性能,因为它指导了进化的搜索方式。许多改进的MOEA/D设计了各种分解方法,在不同优化问题上显示了良好的性能。本文对各类分解方法进行了简要综述,将其分为传统分解、改进的切比雪夫分解、改进的边界惩罚分解、约束分解和特殊的分解方法。此外,本文一方面分析了切比雪夫分解和Pareto支配的区别,另一方面比较不同分解方法在不同测试问题上的性能。最后,本文提出一个基于双分解的进化算法框架将不同的分解方法的优点结合起来。类似于分解方法,种群更新策略一样会影响MOEA/D性能。本文提出了一种带有解约束更新的基于分解的多目标进化算法。与现有的种群更新策略为每个子问题分配一个个体不同,我们的方法将解分配给最接近其的子问题,因此一个子问题中的个体的数量可能为零、一或更多。对于没有个体的子问题,一旦生成靠近其子问题的子代个体,将直接把解分配给它。为了保持种群大小的不变,将从具有最多个体的子问题中选择一个最差收敛的个体删除。这提高了种群的多样性且不影响收敛性。经过一定程度的进化,提出的方法可能会逐渐达到稳定状态,即每个子问题只分配一个个体。实验通过比较六种MOEA/D变种,验证了提出的算法在求解两组测试问题上的优势。对于超多目标优化,由于其优化问题巨大的目标空间,一个挑战便是如何去平衡种群的收敛和多样性。虽然大量的工作研究改进MOEA/D去处理超多目标优化,但是一些困难仍然存在。受到现有的分解方法的启发,本文提出混合分解方法(HAE)。在HAE中,顺序地使用角度分解(AD)与边界激励分解(EBI)。AD从每个子问题的可行区域中选择适合的个体去提升种群的多样性。当一些子问题的可行区域没有个体,EBI作为AD的补充,去保证收敛性与探索的种群边界。通过这种方式,HAE可以高效地应用二者的优点去更好地在进化过程中平衡种群的收敛和多样性。通过使用两组常见的超多目标测试问题集并对比了七个最近提出的超多目标进化算法和几个分解方法,实验充分证明了HAE的优势。