现实生活中广泛存在着多目标优化问题（Multi-objective optimization problems,MOPs）,它们有着多个目标等待着同时被优化。但是,多个目标之间往往是相互矛盾、互相冲突的。提升其中一个目标的性能总是会使其他目标的性能变差。因此,求解多目标优化问题时,会得到一组相互折衷的解集。基于分解的多目标优化算法（Multi-objective optimizations algorithm based on decomposition,MOEADs）能够很好地求解此类问题。但是现有的几种分解方法都存在不足之处,其中最为灵活和有效的是PBI分解方法（Penalty-based boundary intersection approach,PBI）。用户可以通过改变惩罚值来改变等高线进而改变算法的选择特性,惩罚值对算法的收敛性和多样性的平衡起着关键作用。但是,目前的研究还没有一个成熟有效的方法来设置惩罚值。因此,本文就惩罚值的设置方法进行研究。依据惩罚值、等高线、选择特性三者之间的相互影响关系,根据期望的选择特性来确定等高线的设置范围,进而确定惩罚值的取值范围。随后,给出了边界等高线对应的惩罚值的数学推导。在此基础上,给出了修正方案来满足等高线的其他可行设置方法。并在数学上证明了PBI分解方法可以通过惩罚值的设置转换为WS分解方法、TCH分解方法。若多目标优化问题具有非规则的Pareto前沿,那么这个多目标优化问题被称为非规则多目标优化问题（Irregular multi-objective optimization problems,IMOPs）。原始的基于分解的多目标优化算法在此类问题上往往表现不佳。因此本文针对性地提出了两种新的算法来应对非规则多目标优化问题。第一个算法MOEAD-PNM采用了两阶段的选择策略。第一阶段使用了较大的惩罚值的PBI选择策略。它能够使每个参考向量都能选择到其方向上的最优解,从而保证了不规则问题中规则区域解的多样性。但较大的惩罚值可能导致在不规则区域中支配解被选择。最大非支配距离选择策略的第二阶段选择能够弥补这个不足。最大非支配距离选择策略能够保证种群中非支配解的数目充足,且同时满足多样性的需求。实验结果表明,MOEADPNM算法能够很好地解决常规测试问题和非规则测试问题。因此,是一种表现优异的改进算法。第二个算法MOEAD-PDW采用不同的思路,通过调整参考向量来进行。由于Delaunay三角剖分方法插值能够最大程度上保证散点的分布性,所以本文将利用Delaunay三角剖分方法生成新的参考点。根据这样的思想设计了一个参考点调整策略,并提出了MOEAD-PDW算法。将算法MOEADPDW与其他的五个算法在一个电子测试性系统（69）6)测试问题上进行对比。数据表明,MOEADPDW算法获得的性能指标是最好的。因此,算法MOEADPDW相较于现有算法有一定的优势。在文章的最后给出两个算法的性能比较,并得出结论:MOEAD-PNM的实用性更广泛,而MOEAD-PDW算法的针对性更强。