在目前的研究中存在很多进化算法去解决多目标优化问题,以便获得均匀分布的最优帕累托前沿;同时也有很多的学者在关注最终解集选择的问题,但是对于影响最优帕累托前沿分布的最优帕累托解集的相关研究还是很少的,并且将最终解集的选择问题嵌入进化算法搜索进程中的关注度也不是很高。在同时分析最优帕累托解集和最优帕累托前沿时会出现两个以上的子集对应于同一个帕累托前沿的现象,通常将这种现象称为多模态多目标优化问题。为了解决这一类问题,算法研究中需要在搜索进程中平衡目标空间与决策空间的关注度。此外,大多数最终解集的研究都是根据优化后获得的最优帕累托前沿给出用户最恰当的方案,这样做可能会出现很大的误差。为了降低误差,可以将解集选择的问题嵌入算法搜索的过程中,使得每一次的更新都会有所改善。综上所述,本文提出一种用于多模态多目标优化的膝区间进化算法。每一次迭代时选取膝区间优先进入下一代,不仅可以增加算法在搜索后期时的选择压力,还可以加快算法的收敛性,在结束优化后也能为用户提供恰当的解决方案。同时,该算法采用小生境的策略为种群优化提供优质的父代种群,并在环境选择中利用特殊拥挤距离作为第三个选择机制,解决优化问题中的多模态特性,尽可能的为决策者提供更多的供选解。此外,本文构造了一些针对膝区点/膝区间的多模态多目标优化问题的测试函数,并将三种不同寻找膝区点的方法嵌入多模态多目标优化算法中进行对比分析。最后,为了显著分析算法的优劣,本文提出了两个评估膝区间优劣的性能指标。本文的主要研究内容如下:首先,介绍多模态多目标优化问题的背景及意义,并详细阐述确定膝区点/膝区间的作用以及针对膝区点/膝区间测试函数的现状,借此提出了一种用于多模态多目标优化的膝区间进化算法,并详细描述了 3种识别膝区点和1种确定膝区间的方法。其次,详细描述了构建膝区点/膝区间测试函数的过程,并针对膝区点的特点提出几个基本膝区点函数,结合膝区间的确定方法全面考虑它的对称性、可微性、偏置等特点。再次,将3种识别膝区点的方法嵌入不同的多模态多目标优化算法中进行实验测试,并结合新提出的膝区间性能指标进行对比分析。最后,对本文的内容进行了总结,并就目前工作中的缺点和不足进行分析,对今后的研究方向进行了展望。