进化计算是指进化规划、遗传算法、和进化策略三者的统称。进化算法已经广泛用于工程控制、函数优化、机器学习等NP难问题的求解上，通过模拟生物进化过程中的杂交变异来保留父代的优良基因和自然选择的“优胜劣汰”机制来解决现实生活中的各种复杂优化问题。它是起源于上世纪50年代末，成熟于上世纪80年代，发展到现在已经成为一个独立完整学科，广泛应用于其它各个学科的新兴热点研究方向。从优化问题的角度来说可以分为单目标优化问题和多目标优化问题，单目优化问题即被优化的问题只有一个需要优化的目标，最优解也只有一个，而多目标优化问题（现实生活中的优化问题主要是多目标优化问题）是优化2个或以上的相互冲突的目标，最优解的个数变成无穷多个，而且随着优化目标的不断增多优化的难度以及最优个体的数量都将以几何级数增长。对于传统的多目标优化算法而言，它们追求的是分布广泛、均匀和收敛的最优解，但是对于决策者来说他/她只需要用到其中的一个或者几个解，而其它大多数解是要被丢弃的也就造成了一种浪费。为了最大程度的避免这种浪费研究者们提出了偏好多目标优化算法（preference-based multi-objective evolutionaryalgorithms,PMOEAs）这一概念。所谓偏好多目标进化算法即引入决策者的偏好信息，算法根据所引入的偏好信息求解最能满足偏好的最优解，从而避免了不必要的计算资源的浪费。本文提出了一种基于角度关系的偏好多目标进化算法。该算法通过角度关系将非支配个体集进行适应度分层，利用参考点引导种群趋近决策者更感兴趣的区域。根据“支点”到解个体的向量与“支点”到种群中离参考点最近解的向量的比较关系，借助自适应夹角差判定个体优劣。与几种流行的偏好多目标进化算法进行比较实验，结果表明本文所提出的算法有如下特性：1)可灵活地控制偏好解的范围；2)支持多引用点；3)引用点的位置(在可行域内，可行域外，Pareto最优面上)不影响实验结果；4)有很好的适应性；5)在高维问题上能快速地获得决策者感兴趣的解。偏好多目标算法是目前的一个研究热点,但是至今还没有好的针对它的评价方法。这主要是因为偏好的主观性导致的，因此我们只能通过一些评价传统多目标算法的评价指标来评价偏好算法这往往是不准确的。为此本文提出了一种结合IGD和GD评价方法，针对偏好算法的评价指标。该评价方法能比较客观的反映传统评价方法所不能反映的一些偏好算法的性能。