粒子群优化算法(Particle swanll optimization，Pso)是一种启发式搜索技术，模拟鸟群觅食的行为。该算法具有通用性强，原理简单，容易实现，协同搜索等优点。但算法同时也存在着局部搜索能力较差，容易陷入局部极小解，理论不完善等不足。本文针对Pso的缺点和多目标优化的特点，提出一些新的机制和策略，改进了基本粒子群优化算法。将改进后粒子群优化算法用于多目标优化问题。本文所取得的主要研究成果如下：(1)在粒子群优化算法中运用Pareto非支配思想，引入锦标赛规则和拥挤距离选择技术，改进传统的粒子更新规则，以适应多目标优化问题的求解，提高粒子群算法的搜索效率。(2)采用双种群搜索策略，引入免疫机制，添加约束支配原则，提高种群多样性，防止形成早熟，以适应约束多目标优化问题的求解。(3)在粒子群优化算法中运用拥挤距离变化率，自适应调整算法最重要的性能参数惯性权因子，提高算法的全局搜索效率，将约束优化问题进行适度转化，以便于自适应多目标粒子群算法求解约束优化问题。(4)在粒子群优化算法中灵活使用均值策略，改进传统粒子速度更新公式，克服传统粒子群优化算法在求解多目标优化问题中易于陷入局部极值的缺点。(5)在粒子群优化算法进化后期加入混沌变异操作，采用轮盘赌方法从精英解集中选择群体最优位置，有效避免算法早熟收敛，以适应解集分布非均匀的多目标优化问题。