超多目标规划问题是指含有不小于4个目标函数的优化问题,由于其目标个数的增多,传统的基于Pareto优势的进化算法在处理超多目标规划问题时,面临着支配阻抗、计算复杂和可视化等多方面的挑战。目前处理超多目标规划问题的方法可以总结为四类:基于弱Pareto优势关系的方法、基于分解的方法、基于指标的方法和基于参考点的方法。它们主要在算法的适应度分配和多样性保护方面作出了改进,而在算法的收敛性方面,它们还存在不足。针对超多目标进化算法的支配阻抗现象,本文使用了基于参考点的方法,来保护多样性,并使用了聚合函数来提高收敛性。本文的主要工作如下:(1)针对多目标规划粒子群算法易陷入早熟的问题,本文提出了基于健康度的多目标粒子群算法(HMOPSO)。HMOPSO算法在每次迭代过程中分别记录了粒子出现运动振荡和寻优停滞的次数;然后利用它们来更新种群粒子的健康值,当粒子的健康值低于最低限制时,判定该粒子为不健康粒子;接着,使用特殊的引导因子,对不健康粒子执行变异,从而避免不健康粒子的无效搜索,并降低健康粒子受到的干扰,有助于收敛性的提高;最后,使用了基于拥挤排序的动态维护,每计算一次个体的拥挤距离,就淘汰一个多余个体,有利于多样性的改善。实验结果表明,HMOPSO算法能够有效解决双目标测试问题,即使在非连续或多峰问题上,也有较好的收敛性和分布性。(2)针对超多目标进化算法表现的支配阻抗现象,本文提出了基于参考点的超多目标规划粒子群算法(RMa OPSO)算法。RMa OPSO算法在目标空间中使用均匀分布的参考点将其划分为多个子空间;然后依据种群粒子到参考向量的距离,将粒子与不同的子空间关联;接着使用聚合函数计算每个粒子在相应子空间的聚合函数值;最后利用聚合值来更新粒子的个体极值和局部极值,种群粒子在个体极值和局部极值的引导下对目标空间进行搜索。算法中,聚合函数的选择对搜索性能有一定影响,本文使用了Tchebycheff聚合函数和PBI聚合函数,并在三目标测试问题上测试了聚合函数对Pareto最优解集的影响。通过比较算法RMa OPSO和MOEA/D在含有5、10、15个目标的Ma OPs上获得的近似Pareto前沿,验证了算法的可行性。