分解进化多目标优化算法在多维优化问题上能够有效收敛且多样性较好,但其标量函数的选择依赖于问题本身,即帕累托前端(PF)形状。面对不同的问题,需根据先验知识选择不同的标量函数来获得满意解。基于惩罚的边界交叉(PBI)法是此类算法中经常使用的一种标量分解方法。其中,低惩罚值适合处理凸问题,而高惩罚值适合解决非凸问题。基于以上分析,本文提出帕累托自适应PBI(PaP)策略,通过该策略可以在无先验知识的情况下对任意类型问题自动识别适当的惩罚值,使算法维持快速的收敛速度,且使解集的分布很好地近似于PF。PaP策略是一种简单有效的方法,将其与分解进化多目标优化算法中最具代表性且有效的算法(即MOEA/D)相结合,形成帕累托自适应分解进化多目标优化算法(MOEA/AD),在一组具有不同PF形状的多目标测试问题集上进行测试。实验结果表明,自适应策略比加权和方法、加权切比雪夫方法和具有确定惩罚值的PBI方法更有效。由于MOEA/AD会受到与搜索方向线距离较远的点的干扰,导致某些情况下自适应得到的惩罚值偏大。进一步,本文提出约束自适应策略,基于权重向量为子问题分配超圆锥,从而对各个子问题的寻优范围及自适应搜索范围进行约束,使每个子问题找到与当前对应PF子区域最适应的惩罚值。该策略在MOEA/D框架下运行,形成约束自适应分解多目标进化算法,记为MOEA/LAD。在测试问题上得到的结果表明了MOEA/LAD算法的有效性,相比较于原算法,在收敛性和多样性上均有了进一步的提升。此外,MOEA/AD和MOEA/LAD均应用于实际问题——混合可再生能源系统(HRES)的多目标优化设计。通过优化光伏电板、风机、蓄电池以及柴油发电机等设备的配置,实现年化成本小、污染少、可靠性高等多个目标。该问题的PF未知,但本文所提算法仍有效地获得了HRES最优配置,且获得的解集比对比算法更接近于PF,实验结果进一步证实了算法收敛的有效性。