多目标优化问题(Multi-objective Optimization Problems, MOPs)广泛存在于工程实践和科学研究领域。多目标优化问题主要研究如何在多个彼此间相互冲突的目标中得到最优解,该问题一直都是学术、工程界广泛关注的焦点。近年来,随着进化算法的研究和发展,多目标遗传算法、多目标粒子群算法等相继被提出,并得到广泛的关注和应用。群搜索优化算法(Group Search Optimizer, GSO)是根据鸟、狮子等群体动物的觅食行为,以PS模型(Producer-Scrounger model)为基础建立的一种新型智能优化算法。GSO在解决单目标问题上具有良好的优越性,在高维函数优化及收敛上展现出良好性能,对于解决复杂的工程问题具有明显的优势。目前,对于GSO算法的研究主要集中在解决单目标问题上,对于其在多目标问题领域的研究比较少,值得进行更进一步研究。目前,随着互联网技术的飞速发展,网络僵化现象日益严重。网络虚拟化技术的出现为解决网络僵化问题提供了新的途径,其中,虚拟网络映射方法是实现网络虚拟化主要技术之一,针对其NP-hard和多种映射目标彼此相互冲突的特点,本文采用多目标GSO方法加以解决,为虚拟网络映射问题的解决提供了新的方法。本文在标准群搜索算法和多目标进化理论基础上,对多目标的群搜索算法及其应用进行了研究和分析,主要内容如下：(1)提出了一种基于多发现者和交叉算子的多目标群搜索算法。该算法在原群搜索算法的基础上,将发现者由一个拓展为多个,并在发现者的更新策略中引入了Metropolis准则,防止算法局部收敛：同时,将交叉算子融入到游荡者的行为中,从而提高了算法的性能。(2)提出了一种合作型协同多目标群搜索算法。首先将种群划分为多个子群,用改进的群搜索优化算法对子群进行演化；然后,子群间相互协作构成上下文向量,通过目标函数对上下文向量进行评定以更新子群；最后,结合各个子群的成员构建多目标问题的Pareto解集。(3)将多目标群搜索算法用于虚拟网络映射问题中,建立基于多目标群搜索算法的虚拟网络映射模型,针对异构资源的度量标准难以统一的问题,构造多个映射目标函数,并用多目标的GSO算法对其进行优化求解。