多目标优化问题始终是生产生活中不可避免的问题,对于求解此类问题的算法的研究和优化,始终是智能计算领域的重要课题。目前,分解策略型多目标进化算法(MOEA/D)由于其在解决工程优化问题上表现出的易扩展、收敛快、复杂度低等特性,逐渐成为了当前进化计算领域的研究热点。但是,在实际求解过程中,特别在处理复杂、高维问题时,MOEA/D使用固定规模的邻域,且精英解选择过程功能单一、缺乏全局性,这些操作都缺乏动态调整的能力,无疑会在一定程度上破坏算法在收敛性和分布性上的平衡,限制种群的进化。为了使算法能够更好地服务于复杂的工程应用领域,MOEA/D的自适应机制研究也逐渐成为了亟待突破的问题。基于此,本文为了提高分解策略型多目标进化算法的自适应性能,通过探究种群进化规律,展开了对于MOEA/D的邻域设置方法和选择策略的自适应机制的研究,并将自适应MOEA/D用于复杂、高维问题的求解当中,具体工作及创新点如下:1.设计了一种新的自适应邻域策略。在对MOEA/D进化规律进行深入探究的基础上,通过挖掘个体邻域更新的信息,总结出一种能够较好反应种群进化阶段和进化状态的基于更新能力的进化潜力判断机制。然后,综合算法在进化过程中的收敛性和分布性需求,以该判断机制为基础,提出了一种基于进化潜力判断的自适应邻域策略(ANS),让算法能够根据种群和个体的不同进化状态分别设定不同的邻域规模。最终,通过实验证明,该策略有效的平衡了进化过程中种群的收敛性和分布性,提高了解集的整体性能。2.设计了一种新的自适应选择策略。针对MOEA/D单纯使用邻域更新作为选择策略而造成的个体解的重复更新、缺乏全局适配性等问题,首先设计了一种新的基于最佳二分图匹配的选择策略(KMS),利用子问题和个体解的匹配关系,从全局角度实现精英个体集的最优选择;然后在综合分析邻域更新策略和KMS各自优势的基础上,提出基于紊乱判断的自适应选择策略(AS),该策略能有效判别子问题和个体解的匹配状态,为算法自适应的选择最合适的精英解选择策略。实验结果表明使用了 AS的MOEA/D算法具有更好的收敛性和分布性,从而验证了 AS能够有效地指导精英解的选择过程。3.将自适应MOEA/D算法应用于复杂、高维问题的求解。将两种新策略—ANS和AS策略,融合进MOEA/D的进化框架内,形成一个自适应性能更强的分解策略型多目标进化算法(AMOEA/D),并将其用于复杂、高维的问题求解。通过在标准复杂、高维测试函数上的实验,证明了 AMOEA/D在求解复杂、高维的优化问题时,可以搜寻到整体性能较好的优质前沿,并具备较好的稳定性和鲁棒性。