工程、科学问题中经常需要同时优化多个目标,并且这些目标往往是互斥的。为了解决这类问题,基于分解的多目标进化算法(MOEA/D)自提出后就得到了广泛的关注。MOEA/D将一个多目标问题分解为多个标量子问题同时优化,并且子问题由一组均匀分布的权重向量来表示。尽管MOEA/D已表现出较强的性能,但对于复杂前沿的多目标优化问题,其得到的非支配解极不均匀,同时,对于高维多目标优化问题,其在分布性处理方面也不是很好。为此,本文提出基于分解思想的多目标进化算法来解决这两个问题。对于复杂前沿的多目标优化问题,在MOEA/D算法中,均匀分布的权重向量不能保证所得到的解在Pareto最优前沿(POF)上也是均匀分布的,如优化问题的POF有长尾(long tail)、尖峰(sharp peak)、不连续区域,特别是POF是退化的,基于标准的MOEA/D算法将不能取得较好的解。为了解决标准MOEA/D算法的缺陷,本研究从聚合函数和权重向量的调整两方面展开研究。首先,针对POF带有长尾和尖峰的多目标优化问题,提出了一种改进的基于惩罚的边界交叉(Penalty-Based Boundary Intersection,PBI)方法(MPBI)来处理,其次,针对POF有不连续的区域以及退化的情况,提出了一种参照点调整策略(ARP)来动态调整参照点,使得到的解在真实的POF上分布更加均匀以及删掉那些不能指导选择操作的参照点。最后,将这两种策略混合到基于Pareto支配算法的框架中,并在22个测试函数上做了对比实验,实验表明,该算法在20/22个测试函数上优于其他对比算法。对于高维多目标优化问题,传统的基于Pareto支配的方法和基于分解的方法都不能取得较为满意的结果。针对这种情况,提出了一种基于贪婪选择策略和基于角度选择的算法。该算法采用基于分解算法的思想,将多目标优化问题分解为多个子问题,同时,为了使得最后得到的每一个解附属到对应的子问题后的聚合函数值最小,使用一种贪心策略选择解。同时,为了维持解的分布性,设置一个参数topK来限制搜索深度,最后基于角度选择部分解以维持分布性。为了验证该算法在高维问题上的表现,与多个流行算法在DTLZ和WFG等系列问题共70个测试函数上做了测试,实验表明该算法在47/70个测试函数上效果更好。