多目标进化算法（MOEAs）是用来解决现实生活中的多目标优化问题（MOPs）的常用方法。MOEAs能够搜索并提供给决策者（DM）一系列权衡解,并供其选择。传统MOEAs随着优化目标数的增加,优化难度也随之增加。因此研究人员提出了在搜索过程中添加偏好信息的方式,进而使DM可以得到目标空间中感兴趣的部分。该方式在一定程度上可以解决高维中算法的选择压力不够和个体数不足以表达完整的帕累托前沿等问题。针对偏好MOEAs中存在偏好信息影响算法收敛性以及偏好区域（ROI）内种群分布性的问题,本文提出了一个基于目标比重的偏好多目标进化优化算法（PAOP）。PAOP算法根据DM提供的偏好信息——目标比重,在单位超平面上均匀产生参考点,并且使均匀分布在超平面上的每一个参考点融合偏好信息,最终建立一个位于偏好信息所对应的超平面上的偏好模型。在无需DM提供ROI大小的情况下,该模型可以控制偏好最优解的范围,从而满足DM对ROI范围的期望,并且可以避免偏好信息对算法性能的影响。PAOP算法将偏好模型集成到基于分解的算法中,引导种群从整个目标空间中搜索决策方案到仅在ROI内搜索解决方案,保持了ROI内的收敛性和多样性。在每一次迭代进化过程,本算法对种群中的个体分别计算基于权重的聚合函数值,并将该值与新产生个体的聚合函数值进行比较,同时与该个体的邻居进行相同的比较操作,从而达到了优胜劣汰的效果。通过将偏好模型与分解相结合,PAOP算法在高维问题中也能找到一组收敛性好的解。并且PAOP算法对DM参与性程度要求低,只需要其提供每个目标所占的比值,得到的最终解就可以反映目标之间偏序关系。本文选取了在偏好领域有一定影响力的四个偏好MOEAs（g-NSGA-II、r-NSGA-II、MOEA/D-PRE、NUMS）作为比较算法,选择了ZDT、DTLZ、WFG等经典的多目标测试问题集作为实验中的优化目标问题。实验结果表明,本文提出的PAOP算法性能稳定,能克服偏好信息位置的影响;并且当目标数增加时,PAOP算法与上述四个偏好算法相比仍具有一定的优势和竞争力。