优化技术是一种以数学为基础的技术，它应用于工业、农业等多个领域。通常根据需要优化的目标个数将优化问题分为单目标优化问题和多目标优化问题。当问题只优化一个目标时，称之为单目标优化问题。在各种领域如工程设计、生产管理等所遇到的问题往往需要同时优化多个目标，这种优化问题被称为多目标优化问题。在单目标优化问题中，最优解一般只有一个。而在多目标优化问题中，各个目标之间往往是相互制约或不可比较的，因此多目标优化问题的最优解通常是一组解的集合。由于科学和工程领域的优化问题大部分是多目标问题，要解决这些问题需要投入更多的时间和精力，因此，对多目标优化问题的研究是一个非常有意义的课题。　　 粒子群优化算法(PSO)是一种新兴的群集智能算法，其思想来源于对鸟群运动行为的研究。群体中的每一个粒子通过追随个体最优解和群体最优解来完成迭代过程。其最大的优点是简单容易实现且具有较好的全局搜索能力。目前它已经被运用于函数优化、神经网络训练、工业系统优化和模糊系统控制等多个领域。　　 本文研究用粒子群算法处理多目标优化问题。首先介绍了粒子群算法的基本原理和对其的改进算法。然后介绍了多目标优化问题的基本概念和分类，对现有的几种经典的多目标优化算法进行了研究和总结。在此基础上，提出了一种改进的多目标混合粒子群算法。最后对本文所做的工作进行了总结和展望。　　 对多目标粒子群算法提出一种改进思想是本文重点研究的内容。研究的目的是通过提出一种改进型多目标粒子群算法增强解的收敛性和分布性。本文借鉴模拟退火算法(SA)、量子粒子群算法(QPSO)和改进型非劣分类遗传算法(NSGAⅡ)的思想，提出多目标混合量子粒子群算法(HMOQPSO)。对算法的改进主要从如下几个方面进行：　　 在粒子进化公式的选择上使用了QPSO算法的迭代公式。QPSO算法在收敛速度和全局搜索能力上均优于传统的粒子群算法，且具有可调参数少和稳定性强的特点，因此将它运用于解决多目标问题能取得较好的效果。　　 借鉴了NSGAⅡ算法的非劣分类排序和拥挤选择算子的思想创建外部集合，降低了算法执行的时间复杂度，增强了粒子的分布性，且为全局极值提供了选择环境。　　 在全局极值的选择上，改变了选择单一全局极值的方法，利用轮盘赌选择算子为群体中的每个粒子依次选择不同的全局极值。其选择方法是：在每次迭代的过程中将外部集中粒子的拥挤距离作为适应值，根据这些适应值进行轮盘赌选择，依次为进化中的粒子选取不同的全局极值。采用拥挤距离作为适应值进行轮盘赌选择能使位于稀疏区域的个体有更大的机率被选中，从而增强了解集的多样性。　　 在个体极值的选择策略上引入了模拟退火算法的思想，使粒子能跳出局部最优。在算法迭代的过程中，当前粒子的个体极值常常得不到更新，由此会导致粒子陷入局部最优的状态。而模拟退火算法能有效地改善此问题。在初始温度足够高和温度下降足够慢的条件下，模拟退火算法能以某种概率接受进化过程中的较差点，从而具有跳出局部最优的能力。本算法将模拟退火算法引入到个体极值的更新策略上，当某个粒子的当前位置值不支配粒子的个体极值时，根据模拟退火算法的Metropolis准则来进行判断，从而决定是否更新个体极值。　　 在适应度函数的选择上，使用了以Pareto理论为基础的通用化且不受尺度因素影响的评分函数(GFSISF)，该函数能较准确地判断解的优劣且能避免各目标函数值评价尺度不同的缺点。　　 本论文使用了四个多目标标准测试函数ZDTl、ZDT2、ZDT3和ZDT4，经由多次的实验和比较，证明了HMOQPSO算法具有良好的收敛性和分布性，说明它是一种解决多目标优化问题的有效算法。