现实生活中的优化问题大多都有两个或两个以上的目标,此类问题被统称为多目标优化问题。经过二十多年的发展,多目标进化算法是目前最为流行的解决多目标优化问题的方法之一。本文围绕多目标进化算法在低维（2或3）目标空间和高维（3个以上）目标空间下的不同技术难点展开相关的讨论和研究,并提出了三种分别适用于低维目标空间、高维目标空间以及能同时适用于低维和高维目标空间的新的多目标进化算法。本文的主要研究工作概括如下:1)针对多目标进化算法在低维目标空间下的多样性维护问题,本文研究了基于分解的多目标进化算法的相关技术,提出了一种基于分层分解的多目标进化算法（MOEA/HD）。MOEA/HD引入了上下级层次的概念,通过在子问题之间建立上下级关系,将所有的子问题连成一个自组织的网络,从而使每个子问题都能自适应的调整进化的方向与行为。实验结果表明,MOEA/HD在低维目标空间下的大部分测试用例上的表现都要优于其他用于对照比较的多目标进化算法,尤其在处理拥有复杂Pareto前沿形状的多目标优化问题时,能够更好的维护种群在目标空间下分布的多样性和均匀性。2)针对多目标进化算法在高维目标空间下的收敛性不足问题,本文研究了基于距离的多目标进化算法的相关技术,提出了一种基于闵氏距离的多目标进化算法（MDEA）。MDEA引入了闵氏距离的概念,并动态估计了所处理Pareto前沿的整体曲率,从而自适应的选择最合适阶位的闵氏距离来估算解的收敛程度,为种群进化提供了额外的选择压力。实验结果表明,MDEA在高维目标空间下的大部分测试用例上的表现比其他用于对照比较的多目标进化算法都要好。另外,本文还进一步研究了将MDEA中的闵氏距离方法集成到其他两个经典的基于距离的多目标进化算法上的效果。实验表明,集成闵氏距离后的算法要比原算法表现得更好,这也从侧面佐证了闵氏距离方法的有效性和普适性。3)针对多目标进化算法很难同时适用于低维和高维目标空间下对收敛性和多样性的不同需求,本文研究了基于指标的多目标进化算法的相关技术,提出了一种基于极指标的多目标进化算法（PMEA）。PMEA引入了极指标的概念,并在极指标中结合了权值向量和距离的相关方法与技巧,从而使算法能同时兼顾多样性和收敛性的要求。实验结果表明,PMEA在低维和高维目标空间下的大部分测试用例上的表现比其他用于对照比较的多目标进化算法都要好,在一定程度上达到了能同时在低维和高维目标空间内平衡多样性和收敛性的设计要求。另外,本文还测试了 PMEA在一个真实的工程型多目标优化问题上的性能表现。实验表明,PMEA的表现仍然是所有参与比较的算法中最好的,说明了 PMEA具备较好的普适性和泛用性。总之,本文主要针对在低维和高维目标空间下多目标进化算法对收敛性和多样性的不同需求,展开深入的探讨和研究,并提出了相应的解决方案和算法。通过大量的比较实验表明,本文提出的解决方案和算法有效的解决了多目标进化算法研究领域的相关难题,对推进多目标进化算法在低维和高维目标空间下的研究,具有较好的指导意义和应用价值。