多目标优化问题广泛存在于现实生活应用的各个领域,并且已成为优化领域的研究热点之一。与传统的单目标优化问题不同,多目标优化问题中往往难以直接比较两个解的优劣。因此,其求解难度远远大于传统的单目标优化问题。当目标个数大于3时,这类问题一般会被命名为高维多目标优化问题,求解这类优化问题的主要方法为高维多目标进化算法。其中,基于Pareto支配的高维多目标进化算法是当前求解该类问题的主要算法之一。但随着目标个数的逐渐增加,Pareto支配的性能将会迅速下降,原因在于:1)随着目标个数的增加,Pareto支配无法提供足够的选择压力,从而出现支配受阻的现象;2)算法中基于多样性的次要选择方式将会起主导作用使得种群分散在目标空间,从而导致算法难以收敛。为此,本文对高维多目标进化算法中的支配关系展开深入研究,具体研究工作如下。(1)针对多目标进化中的双档案算法进行研究,设计了一种双档案多目标进化算法TA-MOEA。与传统维护收敛性与多样性的双档案不同,TA-MOEA中的双档案分别用来进行全局搜索以及局部搜索。在全局搜索中,使用遗传算法来提高算法的收敛性。在局部搜索中,使用反向学习来提高算法的多样性。实验结果表明,与经典的多目标进化算法相比,该算法在收敛性以及多样性方面有着较大的性能提升。(2)针对Pareto支配无法提供足够选择压力的问题,围绕支配关系技术进行研究,设计了一种基于收敛指标的高维多目标支配关系(CDR支配关系),采用收敛指标以及一个基于小生境的自适应参数来平衡种群的收敛性与多样性,基于该支配关系,设计并实现了一种高维多目标进化算法CDR-MOEA。实验结果表明,在求解高维多目标优化问题时,所设计的CDR支配关系以及CDR-MOEA表现出较好的性能。(3)针对高维多目标优化中目标个数较多的问题,围绕高维多目标优化中的评估方法进行研究,设计了一种基于角度的双指标高维多目标进化算法ABOEA。通过将高维多目标优化问题转化成只含有两个目标:最小化收敛性与最大化多样性的问题,极大的提高了解之间的支配概率。实验结果表明,该评估方法能够非常有效的对整个目标函数值进行评估。同时,ABOEA相较于目前已有算法,综合性能有较大的提升。