1、為了求解現(xiàn)實生活中和工程實踐中的多目標優(yōu)化問題，其中，這些問題大多都是多目標優(yōu)化問題；另外，這些問題通常是高度復雜和非線性的，而多目標進化算法能很好的解決上述問題，因而多目標算法的研究成為了人工智能研究領(lǐng)域的熱點之一。多目標優(yōu)化中的最優(yōu)解，通常稱之為Pareto最優(yōu)解。研究者們發(fā)現(xiàn)在問題求解的過程中，隨著問題維數(shù)的增加，種群中Pareto最優(yōu)解的個數(shù)也會隨之成指數(shù)級增加，從而增加了算法的隨機搜索難度，不利于算法的收斂和最終決策者（Dec

2、ision Maker，DM）對偏好解的最終選取，因此基于決策者偏好信息的MOEAs成為了進化算法中研究的研究重點。通過決策者給出的偏好信息如參考點的位置關(guān)系，算法能有針對性的選取Pareto最優(yōu)解并排除決策者不喜愛的解，最終搜到?jīng)Q策者感興趣的由Pareto最優(yōu)解組成的偏好區(qū)域。因此，如何高效地表達決策者的偏好信息將影響算法最終的性能和決策者的滿意程度。
　　本文首先系統(tǒng)的研究了多目標進化算法的基本理論和基于偏好信息的多目標算法的

3、研究現(xiàn)狀，并針對發(fā)現(xiàn)的問題進行了詳細地分析，同時給出了在多目標偏好進化算法設計和分析過程中研究要點，以及基于分解信息的偏好多目標算法模型。然后，針對決策者不同偏好信息建立偏好模型，設計了基于權(quán)重迭代的偏好多目標分解算法（MOEA/D-PRE）。主要通過設計權(quán)重迭代方法獲取一組均勻的權(quán)重向量，對偏好區(qū)域進行映射，使得算法在進化過程中，不用考慮參考點所處目標空間區(qū)域位置信息對算法性能的影響。進而加強算法對個體的選擇壓力，有利于算法的收斂性，

4、與算法G-NSGA-II和R-NSGA-II進行實驗對比，實驗結(jié)果證明了算法在較多情況下?lián)碛休^好的性能。最后，提出了基于偏好距離和偏好角度的偏好多目標進化算法的評價指標(PMDA)。通過分解參考點來構(gòu)造基于參考點的超平面，利用算法所獲得的個體到超平面的距離和角度來評價算法的性能。相比其他的基于偏好信息的評價指標如HV-UM、IGD-CF，本文的評價指標避免了真實Pareto前沿信息同時也綜合評價不在偏好區(qū)域的個體，既能評價算法的收斂性能