在多目标优化问题中是不存在类似于单目标优化问题的最优解的，而是一组非劣解，因此扩展单目标粒子群算法到多目标优化领域时，确定全局极值成为一个难点。另外基本多目标粒子群算法在收敛性和分布性上都表现一般，且容易陷入局部最优，这是由于种群多样性无法保持引起的，因此改善算法的种群多样性也十分重要。　　 针对以上多目标粒子群算法遇到的问题，本文提出了改进极值策略的多目标粒子群算法。该算法采用一种新的全局极值和个体极值选取策略，提升了种群逼近Pareto最优前沿的稳定性和精度;同时为了提升种群跳出局部最优的能力，提出两步变异操作;此外算法还采用了外部存档存储每一代产生的非支配解，并且使用动态更新的拥挤距离来维持外部存档的规模。然后，通过典型的ZDT系列测试函数对该算法进行评估，并与MOEA/D、NNIA、NSGA-(Ⅱ)三种多目标优化算法进行比较。实验结果显示，本文算法相较于其他算法具有较好的分布性与收敛性。　　 最后将其应用于PX氧化反应优化过程中，与其他多目标算法优化相比，在相同计算成本的条件下，本文算法优化后的醋酸和PX燃烧损失明显下降，成本损失大幅减少。同时发现基于流程仿真模型的复杂化工过程优化，往往需要较长的优化时间，效率低下。本文提出使用拉丁超立方采样和Kriging建模法构造流程仿真模型的代理模型，建立基于Kriging代理模型的多目标优化策略，并将该策略应用于PX氧化反应过程优化中，大大提高了优化效率。