帮助决策者寻找最偏好的解是偏好多目标进化算法的主要目的,近年来,能实现这一目的的交互式方法获得了广泛的关注。在交互式偏好多目标进化算法中,一方面,决策者可以通过将自己的偏好融入到搜索过程来优化搜索,另一方面,决策者可以动态地调整自己的偏好信息,快速找到偏好解,这也是交互式算法较为成功的地方。而现有的交互式偏好多目标进化算法,要求决策者给出准确的偏好信息。然而,在实践中,对于非专业人士的决策者来说,可能很难准确地表示其偏好信息。因此,本文基于分解的多目标进化算法(MOEA/D-DE)框架,着重研究如何设计贴近实际的模糊偏好信息以及相应的交互策略,设计了三种不同的模糊偏好交互式多目标进化算法,主要包含以下三个部分:1.提出了一种基于模糊语言偏好的交互式多目标进化算法,该算法针对决策者对目标的不确定性偏好,设计了一种基于模糊语言的效用函数偏好模型。首先,该算法根据决策者提供的模糊语言值来表示偏好信息;然后,利用效用函数来建模偏好信息。利用模糊语言值表示偏好信息更加方便直观,通过在标准多目标优化问题上进行仿真实验,结果验证了所提算法的方便性、合理性以及有效性。2.提出了一种基于约束区域内的模糊偏好交互式多目标进化算法,该算法设计了一种基于约束区域内的模糊效用函数偏好模型。该偏好模型包含两种偏好信息:一种是由决策者提供一个参考点来确定一个大致的偏好区域,另一种是在确定的偏好区域内,决策者提供模糊语言值来表示对不同目标的偏好程度。在基准多目标优化问题上进行验证,实验结果表明了所提算法的可行性和有效性。3.提出了一种基于可变区域的模糊偏好交互式多目标进化算法,该算法为了让决策者充分参与进化过程,设计了一种基于约束区域内的模糊效用函数偏好模型。根据决策者给定的不同模糊偏好信息可以建立不同的偏好模型,每次交互时,算法可根据决策者的不同偏好需求随时更改偏好信息,直至找到决策者满意的偏好解。实验结果表明,所提的算法可以灵活地改变偏好区域。