近年来，多目标进化方法已被广泛应用于重叠社团检测问题并取得了较好的社团划分性能.如何设计合适的个体编码以及进化策略是提高基于多目标进化重叠社团检测算法性能的重要因素.为此，本文设计了一种双编码表示方法对非重叠社团结构和重叠点分别进行编码，能够有效解码得到重叠社团结构.在双编码表示的基础上，本文提出了一种基于双编码的重叠社团检测多目标优化方法(DRMOEA).在DRMOEA中，为了获得好的初始个体并提高算法检测性能，本文提出了一种基于社团边界点的初始化策略.除此之外，针对双编码中的重叠点编码部分，本文提出了基于精英个体边界点的交叉策略，该策略利用社团边界信息引导种群向好的方向进化，从而有效提高了算法的检测性能.最后，在9个真实世界网络上的实验结果表明DRMOEA算法优于其他5个代表性重叠社团检测算法.

目前约束高维多目标进化算法大多注重提高收敛精度, 而收敛速度相对较慢. 为提高算法的收敛速度, 提出一种基于角度信息的约束高维多目标进化算法. 该算法提出基于角度违反度函数的选择操作, 依据动态的收敛性和分布性直接选择较优个体, 提高收敛速度; 此外, 提出了基于差分进化算法的交叉操作, 在不同的进化阶段选用不可行解参与交叉操作, 补偿收敛精度.在标准测试函数集C-DTLZ上进行仿真实验, 并与当前国内外性能优异的4种约束高维多目标进化算法进行对比, 证明了本文算法收敛精度保持良好, 而收敛速度得到了提升, 且目标维数越高提升效果越明显.

本文提出了一种基于多源交配选择的多目标进化算法（Multi-source Mating Selection based Multi-objective Evolutionary Algorithms, MMSEA）.在MMSEA算法中，谱聚类被用来挖掘种群规则特性，基于所获得的种群结构化信息设计了一种多源交配选择重组算子来引导算法搜索，通过为每个个体设置多个交配选择源，在利用相似个体重组加速算法收敛的同时较好地保持了种群的多样性.实验结果表明，所提重组算子可以有效提升算法性能，将MMSEA与多种主流的多目标进化算法进行实验对比研究与参数灵敏度分析的结果表明，MMSEA在求解具有复杂特性的典型多目标优化问题测试集时表现出较强的竞争力.

为解决云计算环境下工作流多目标难于优化的问题，本文提出了一种花朵差分授粉工作流多目标调度优化算法.该算法将工作流中任务和虚拟机建模成花粉，将完整的调度序列建模成花朵.依据任务的偏序关系进行离散花朵授粉过程.仿真结果表明较算法NSGA-Ⅱ和MEOA/D，该算法能在限定的截止期和预算的条件下具有更高的资源利用率.

为了提高多目标粒子群优化算法解的分布性，文中提出了一种自适应分解式多目标粒子群优化算法（Adaptive Multiobjective Particle Swarm Optimization based on Decomposed Archive，AMOPSO-DA）.首先，设计了一种基于优化解空间分布信息的外部档案更新策略，有效提升了AMOPSO-DA的空间搜索能力；其次，提出了一种基于粒子进化方向信息的飞行参数调整方法，有效平衡了AMOPSO-DA的探索和开发能力.最后，将提出的AMOPSO-DA应用于多目标优化问题，实验结果表明，文中提出的AMOPSO-DA能够获得分布性较好的优化解.

现实中的多目标优化问题不断增多且日益复杂，需要不断发展新型启发式算法应对挑战.提出一种多策略协同的多目标萤火虫算法MOFA-MCS.该算法采用均匀化与随机化相结合的方法产生初始种群；利用档案集中的精英解个体指导萤火虫移动；并在移动的过程施加Lévy flights随机扰动；最后，利用ε-三点最短路径策略维护档案解群的多样性.MOFA-MCS算法与其他6种经典的多目标进化算法一同在12个基准的多目标测试问题上进行实验，结果表明所提算法在收敛性、多样性方面总体上具有显著的性能优势.

可视化技术有利于对高维多目标优化问题求解所得的解集进行评价与分析，但是现有的高维多目标可视化方法无法有效保持解集的Pareto支配关系、前沿密度分布及形状。针对以上问题，本文提出类圆映射可视化方法.首先将多目标按相关性均匀排列在单位圆圆弧上，根据适应度函数值将解集映射为类圆空间内的一个多边形，并通过多边形的几何中心和面积对解集进行3维可视化.在此基础上对类圆支配与均衡性进行了定义，并对类圆映射下的支配关系、映射遮挡等进行了理论分析与证明.与平行坐标系、主成分分析方法和径向可视化方法相比表明，本文方法能保持解集Pareto支配关系，并能反映解集在原始空间的密度分布和形状。此外，还能有效避免解集映射点遮档.其有利于决策者进行可视化评价和选择高维多目标解集.

针对无人机系统协同作战过程中存在多任务类型时序约束以及单目标优化决策欠佳问题，提出了一种利用多策略融合量子粒子群算法进行多目标优化的解决方法.在建立任务分配模型过程中，考虑不同类型任务的时序约束和多无人机协同约束，并抽象出无人机执行不同类型任务的能力，使模型更加符合实际作战情况.利用佳点集构造理论、变尺度混沌因子、量子变异操作与动态惯性权重对量子粒子群算法（Quantum Particle Swarm Optimization，QPSO）进行改进.最后通过采取多目标优化决策来选取相应的分配方案，仿真结果验证了所提算法的有效性与优越性.

昂贵多目标进化算法中，目标向量评估所需计算时间或实验成本高昂，大量昂贵评估必然导致成本灾难.本文根据多目标优化Pareto优劣性取决于各目标分量的序关系这一关键性质，提出一种序拟合方法进行Pareto优劣性预测.在分析样本数据决策空间与目标空间序相关性的基础上，通过线性相关的假设条件，建立低成本的序关系预测方程，并用预测的序关系确定Pareto优劣性.然后对典型多目标优化问题进行Pareto优劣性预测对比实验，结果表明所提方法显著提高了Pareto优劣性的预测精度.最后，将该预测方法集成到NSGA-II算法中，可以避免进化过程中的模型重构，有效减少昂贵目标向量的评估次数.