随着人们日常生活需求的多样化以及工业生产环境的复杂化,单个解决方案已经难以满足生产生活的需求。多模态优化在单次优化中可获取多个满意解,因此逐渐成为优化领域的研究热点。但目前对多模态优化的研究局限于单目标优化中,缺少对多模态多目标优化问题的系统性研究。此外,多模态多目标优化问题最优解数量较多,而现有的多目标优化算法只求出一组最优解,对多模态最优解的求解与选择问题有待深入研究。本文以多模态多目标优化问题为研究对象,完成了多模态多目标优化问题特性分析、标准测试函数集建立、求解策略与新型多模态多目标优化算法设计、算法性能验证和实践应用等研究内容,主要研究成果归纳如下:1.针对现有多模态多目标测试函数较少且函数性质单一的问题,建立了性质多样、难度不同的多模态多目标优化测试函数集。使用两类不同的方法生成测试函数:第一类,通过复制和平移单模态多目标测试函数的帕累托解集生成了简单的多模态多目标测试函数,此类函数简单实用,是构建复杂测试函数的基础;第二类,构建了可扩展的多模态多目标测试函数生成框架,使用此框架生成的测试函数复杂度可调,它们的目标个数,决策空间维度以及帕累托最优解集个数均可由用户设定,大大提高了测试函数的多样性。所设计的测试函数集已得到同领域研究人员的认可和使用。2.为了解决传统群集智能优化算法无法保留多个帕累托解集的问题,设计了决策空间小生境多目标遗传优化算法(DN-NSGAII)。此算法根据个体在决策空间的分布情况将决策空间划分成多个小生境,通过限制不同小生境个体之间的直接竞争,极大地增强算法的搜索能力。此外,在环境选择机制中,此算法使用非支配关系和决策空间拥挤距离排序,使得非支配排序靠前且决策空间距离大的个体在竞争中胜出,解决了决策空间距离大但目标空间距离小的个体容易被淘汰的问题,显著提高了决策空间的收敛性和多样性。3.针对小生境参数难以设置以及决策空间和目标空间多样性难以同时提高的问题,设计了使用环形拓扑结构和兼顾决策和目标空间拥挤距离的多目标粒子群优化算法(MO＿Ring＿PSO＿SCD)。一方面,使用环形拓扑结构不会引入小生境参数,避免了参数设置问题,同时该拓扑结构可以实现限制个体间信息传递范围,促使种群在不同区域内进化,达到增强算法的搜索能力、改善种群多样性的目的。另一方面,兼顾决策空间和目标空间的拥挤距离,允许目标值相等或相似但决策变量值相差较大的个体生存进化,使算法具有保留多个帕累托解集的能力。算例结果表明,环形拓扑结构可以使算法搜索到更多帕累托解,兼顾决策空间和目标空间拥挤距离使算法保留了目标值相近但决策变量相差较大的个体,二者的结合使算法能够获得多个帕累托解集,且保证了解集的多样性。4.针对特征选择和选址优化中的多模态多目标应用问题,使用所设计的多模态多目标优化算法进行求解。在特征选择问题中,所设计的多模态多目标优化算法找到了单模态优化算法遗漏的优秀特征组合,减少了特征提取所需的成本;在选址优化问题中,所设计的多模态多目标优化算法求得了单模态优化算法忽视的优良区域,为决策者提供了更多的可行方案,挖掘出了问题潜在的有用信息。