现实世界优化问题常常有多种属性,一般是对多个目标的同时优化。在多数情况下,被优化的目标是相互冲突的,为了达到总目标的最优化,通常需要对相互冲突的子目标进行综合考虑,即对各子目标进行折中。因此,针对多目标优化问题提出了多目标优化算法。多目标优化算法有很多种,目前应用比较广和发展比较快的要算多目标粒子群优化算法,所以本文针对多目标粒子群优化算法的特性进行研究来使多目标粒子群算法加速收敛,其中有的方法可以用到任何一个多目标优化算法中。在多目标粒子优化群算法中影响算法收敛速度的最主要的两个因素,一个是变异策略,用多目标粒子群优化算法解决多目标优化问题时,容易陷入错误的Pareto前沿,影响算法收敛到真实Pareto前沿的速度。现在大多数学者是在种群空间添加变异操作提高种群的多样性,使算法不容易陷入错误的Pareto前沿,但是变异并不全部都是有效的变异,所以收敛速度还是有提高的空间。另一个是非支配解集的构造和归档集的更新,在多目标优化算法中,进化的每一代都要构造一次当前种群的非支配解集,对于有外部归档集的多目标优化算法,在每次得到当前的非支配解集后还要进行归档集的更新操作,计算量都比较大。如果可以对以上两个方面进行改进则算法的效率将会大大提高。本文真对以上两个方面对多目标粒子优化群算法进行改进主要研究内容包括;(1)在多目标粒子群优化算法的种群空间中,根据当前粒子在每一维上的值和它对应的全局最优粒子和个体最优粒子在对应维上的值是否相等来准确定前粒子在某些维上是否进行变异以改进传统的随机变异策略,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,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错误Pareto前沿的缺点,提高算法的收敛速度。(2)根据归档集中所有粒子在每一维上的方差信息来进行自适应变异,在方差大的维上变异概率大,方差小的维上变异概率小,来提高归档集中粒子的多样性使得在Pareto前沿上的解的多样性进一步提高。(3)采用一种新的非支配解集的构造方法和归档集的更新策略减少传统非支配解集构造和更新的时间代价提高算法的效率。