高维多目标优化问题在社会工程中已广泛应用,然而由于高维多目标优化问题的前沿特殊性,使之成为优化研究的难点问题。随着目标数量的增加,算法存在多样性与收敛性冲突加剧,选择压力缺失及多样性维护不足等问题。针对上述问题,本文旨在探索和设计具有较高搜索能力和搜索效率的匹配选择策略及环境选择策略,提出了两种高维多目标优化算法,即Ma OEA-MS和Ma OEA-ES算法,并应用于无线传感器网络低能量自适应聚簇分层协议的簇头优化中。本文主要从高维多目标优化算法的匹配选择与环境选择两方面进行介绍。针对高维多目标优化算法中目标数量的增加导致的收敛性与多样性的冲突性问题。本文提出了一个基于匹配选择策略的高维多目标优化算法(Ma OEA-MS)。该算法将动态平衡函数作为匹配选择策略,并分析了四种不同的参数设计对平衡函数的影响,同时将改进的动态边界交叉惩罚函数与Pareto支配排序-参考点策略相结合作为算法的环境选择策略,在维护种群多样性的同时增加选择压力。仿真结果表明,Ma OEA-MS具有较优的性能。鉴于高维多目标优化算法中仍存在目标数量增加导致的Pareto选择压力降低及多样性维护机制不足的问题。本文在动态平衡函数匹配选择策略基础上,进一步对环境选择策略进行研究,并提出了基于环境选择策略的高维多目标优化算法(Ma OEA-ES)。该算法将改进的切尔雪夫函数设计为最大值排序策略,即利用个体到理想点朝向参考向量方向的垂直距离来增强种群的收敛能力,并计算每个参考向量的最大垂直距离来维护种群的分布。同时,通过使用理想点距离策略来增加选择压力。将改进的Ma OEA-ES分别在DTLZ与WFG测试实例的4到15个目标上进行测试,实验结果显示了Ma OEA-ES的优越性。为了进一步验证算法的性能,本文将Ma OEA-MS与Ma OEA-ES应用于无线传感器网络低能量自适应聚簇分层协议的簇头优化问题中,构建无线传感器高维多目标网络能量均衡模型,对基站距离、簇距离、网络整体能量消耗和网络能耗负载均衡四个指标同时进行优化,以解决由于簇头选择的随机性导致的无线传感器网络能耗过高的问题。仿真结果表明,与常用的高维多目标算法相比,Ma OEA-MS和Ma OEA-ES算法在存活节点数量及剩余网络能量方面具有较好的优势,从而验证了所提算法的有效性及可行性。