从工程领域到经济学领域,大量问题都存在多个需要优化的目标,而且各个目标之间相互制约、彼此冲突,此类问题被称为多目标优化问题（Multiobjective Optimization Problem,MOP）。与传统数学方法相比,进化多目标优化算法（Evolutionary Multiobjective Optimization Algorithm,EMOA）不需要了解问题的数学特性,而且在一次运行中能将种群中的多个解同时进行演化,是工业界求解多目标问题的主流算法。基于分解的多目标优化算法（Multi-objective Optimization Algorithm Based on Decomposition,MOEAD）是EMOA三大主流算法之一,它通过聚合方法将多目标问题分解为多个单目标优化子问题。基于惩罚的边界交叉方法（Penalty-based Boundary Intersection,PBI）是聚合方法的主要方法之一。该方法中的惩罚因子θ影响解的分布性和收敛性。本文在分析现有的惩罚因子调节方案的基础上,提出了基于混合惩罚方案（HPS）的改进分解多目标优化算法（MOEADHPS）。HPS将θ设置为双阶段函数,在第一阶段,θ的值随着演化代数线性递增;在第二个阶段,θ的值保持固定不变。它使算法从重视收敛性出发,后期逐步转向重视解的分布性。在HPS中,为不同的权重向量指定特定的θ变化范围。实验结果表明,HPS方法能有效解决F测试集中的测试问题。在分析基于分解的多目标优化算法和基于帕累托的多目标优化算法的基础上,提出了基于分布性的改进多目标进化算法（NSGA/D）。NSGA/D的改进工作主要集中在两个方面:（1）采用锦标赛机制选择父代个体时,为保持配对池的分布多样性,首先选择非支配层级低的个体。在个体非支配层级相同的情况下,通过权重向量将目标空间划分为多个子区域,按照个体所在子区域的密度大小,选择密度小的个体;（2）选择新种群时,为使群体有较好的分布性,在非支配层次选择和分解方法的基础上,辅以动态分解方法（Dynamical-Decomposition-Based Ranking Method,DDR）在父代与新生成子代中挑选个体。结果表明,NSGA/D算法在解决WFG测试问题上具有明显优势。通过分析经济学领域投资组合问题特性,建立数学模型,并根据该问题的特点,设计等式约束处理方法。将所提出的带约束处理的NSGA/D（C-NSGA/D）用于求解双目标股票投资组合问题,并基于30支股票的半年股价数据求解最优配比。结果表明,C-NSGA/D算法在HV指标上优于对比算法。