受人类创造性解决问题过程——头脑风暴会议的启发,史玉回教授于2011年第二次群体智能国际会议提出了头脑风暴算法,算法通过聚类、替换和创新机制来尽可能地产生新的想法,从而逐代地对优化问题进行求解。随着时间的发展,对头脑风暴算法的研究也从单目标优化问题转向了多模态问题、多目标优化问题等,在很多领域所展现出来的优化性能都不亚于其他群体智能优化算法。但是,头脑风暴算法在超多目标优化问题上的相关研究并不多,具有进一步研究的价值。基于此,在研究国内外求解超多目标优化问题的基础上,针对头脑风暴算法求解超多目标优化问题展开了进一步的研究,提出了基于参考方向的超多目标头脑风暴算法,具体研究内容如下:（1）对相关研究内容进行总结,主要针对求解超多目标优化问题研究现状进行综述,分析了前人对求解超多目标优化问题的研究方向和方法。然后在前人研究的基础上,确定了针对头脑风暴算法的改进方向。（2）在对头脑风暴算法研究的基础上,本文提出了根据预先设定的参考方向对头脑风暴的聚类过程进行指导的聚类方式,选择k-layer参考方向生成法生成参考方向,在此基础上,提出了基于参考方向和基于参考点的两种聚类算子,代替原始头脑风暴算法中的K-means聚类以及其他随机性聚类算子。（3）根据提出的两种聚类算子,在生成子代阶段设计了基于邻域的交叉算子和针对不同聚类方式的变异算子,并针对个体选择部分设计了适用于本算法的基于参考方向的选择算子。最后,选择现已提出的多目标头脑风暴算法作为对比算法,测试算法性能,结果表明,在求解多目标优化问题上,本文提出的算法性能并不弱于前人提出的多目标头脑风暴算法,并且在求解超多目标优化问题上,本文提出的算法得到的解集具有更好的收敛性和分布性,可更有效地求解超多目标优化问题。（4）为了简化算法对比环节同时方便他人共享代码资源,设计了超多目标优化算法测试平台,在设计系统功能和数据库结构的基础上,基于Django技术实现了测试平台,简化了算法测试环节。