1、當優(yōu)化問題包含的目標個數是兩個或者三者時，傳統(tǒng)經典的優(yōu)化算法會有好的效果，但是在處理目標多于或等于五個的超多目標優(yōu)化問題時，這些算法的效果并不理想，主要原因有:1）從收斂性方面考慮，目標空間維數的增長將會導致種群中Pareto非支配解呈指數型增長，致使算法無法從種群中選擇性能較好的個體，從而影響算法的收斂性能.2）從分布性方面考慮，大部分分布性保持策略通常比較偏好某些極端個體，在高維空間中，這種特點會減弱算法的搜索能力，最終影響種群的分

2、布性。
　　針對傳統(tǒng)的進化多目標算法在處理超多目標優(yōu)化問題時收斂性與分布性不足的這種情況，本文提出一種基于改進的K支配排序以及種群分解的進化超多目標算法(KD-MOEA).該算法結合種群分解策略，對整個區(qū)域進行分解，從而對種群進行分解，這在整體上有利于提高算法的分布性，同時也在很大程度上減少了計算量;改進之后的K支配與Pareto支配關系相比，極大地增大了算法的選擇壓力，提升了算法的收斂性能;為了彌補傳統(tǒng)的聚集距離精確性不足，本文

3、使用新的密度估計方法，提升局部密度估計的精確性.新提出算法與NSGA-Ⅱ就DTLZ測試函數集進行對比試驗，實驗結果顯示該算法在處理超多目標優(yōu)化問題具有明顯的優(yōu)勢，不僅提升了傳統(tǒng)進化算法的收斂性能，而且獲得的解集在Pareto前沿上具有較好的分布性.
　　我們將新提出的算法應用到實際問題—汽車側面碰撞優(yōu)化問題中，在運用新算法求解時，考慮到待優(yōu)化問題的特殊性，我們會對算法的加進約束處理策略-罰函數，使其更好地處理這個優(yōu)化問題.從仿真的