多目标优化问题由多个相互冲突的目标组成;当目标数超过三时,被称为高维多目标优化问题。由于目标之间相互冲突的性质,通常需要一组最优解用于平衡各个目标;进化算法在一次运行中能够生成一组解,被广泛地运用在多目标优化领域,形成多目标进化算法。多目标进化算法的目的是生成一组无限靠近Pareto前沿并且分布均匀的最优解;然而随着目标数目的增加,出现种群的收敛性和多样性失衡、算法普适性下降、无法获得Pareto前沿的先验信息等问题。为了高效地解决高维多目标优化问题,本文针对目前存在的诸多难点,一方面对参考点进行自适应调整,确保在各种类型的优化问题上都能利用参考点近似真实Pareto前沿,获得先验信息;另一方面对指标进行改进,增强指标评估种群质量时的准确性。主要研究内容如下:为了增加算法在不同形状Pareto前沿上的普适性,提出了参考点自适应调整下的高维多目标进化算法（Ma OEA-AR）。该算法设计了一种Pareto前沿形状监测下的参考点自适应策略,在该策略中,首先利用闵氏距离轮廓曲线近似Pareto前沿,在此基础上选择一组具有良好多样性的参考点;然后将得到的参考点用于增强的反世代距离指标的计算中。实验证明本章提出的算法在处理具有各种形状Pareto前沿的优化问题时能获得良好的性能,算法具有较高的通用性与普适性。为了提高指标在评估种群质量时的准确性,提出了基于改进增强的反世代距离指标的高维多目标进化策略（IIES）。该策略改进增强的反世代距离指标,提出一种新的指标,在新指标中,参考点与候选解之间的距离被分成两部分,一部分为参考点与候选解之间的闵式距离,用于衡量收敛性;另一部分为参考点与候选解在闵式距离轮廓曲线上的投影点之间的欧氏距离,用于衡量多样性。实验证明,新指标能够较为准确地评估种群质量,并且基于该指标的进化算法能在各类优化问题上获得较好的性能。为了增强算法在不规则优化问题上的性能,提出了Pareto前沿分解策略下基于指标的高维多目标进化算法（DIEA）。该算法首先利用分解方法改进Ma OEA-AR中的参考点自适应策略,用不同的闵氏距离轮廓曲线近似不同的子Pareto前沿,在此基础上对参考点进行自适应选择;然后对IIES中的指标进行优化,利用权重信息在不同进化阶段赋予不同的选择压力;最后将得到的参考点用于计算改进后的指标,并基于指标值选择最优解。实验表明,该算法在大部分测试问题上都能取得较好的性能,尤其在断开或是混合的测试问题上性能显著。