多目标优化问题广泛存在于科学研究和工程实践中。本文主要用粒子群优化算法处理多目标优化领域中的两类问题,即连续约束优化问题和离散约束化问题。处理第一类问题时,针对传统的多目标粒子群优化算法在最优解的选取以及非劣解的裁剪上,没有充分考虑到非劣解的密度信息和全局搜索能力与局部搜索能力之间的平衡,算法得到的解收敛性和多样性较差,同时算法的复杂度较高等问题,本文主要提出了一种基于自适应网络与动态拥挤距离的多目标粒子群优化算法,该算法将目标函数空间均匀的划分为间隔相同的网格,统计每个网格中粒子的数量进而估计粒子的密度,并利用粒子的密度信息设计了适应度函数,用于选取最优的Pareto解。在对解的裁剪上,引入了粒子的方差信息,设计了基于动态拥挤距离的策略,避免了一次性淘汰所有拥挤距离小的个体而导致解的分布性变差的问题。在处理约束上,定义了违背约束度的概念,提出了相应的可行度准则。然后从理论分析和实验验证的角度对算法的参数进行了研究,函数实验和算法的应用都验证了提出的多目标粒子群优化算法的有效性和优越性。处理第二类问题时,以经典的多目标流水车间调度问题为研究对象,利用算法对两个目标函数成本和产值进行优化。针对传统的多目标粒子群算法容易收敛到到局部极值,并且解的均匀性不强等问题,本文提出了一种基于Baldwinian学习策略的多目标粒子群算法,用于提高算法的局部寻优能力。然后借鉴了NSGA-Ⅱ算法中拥挤距离提高解的多样性的思想,设计了动态拥挤距离的策略,从而达到算法对局部寻优和全局寻优的平衡。在构造适应度函数时,为了避免固定权重的方式造成Pareto解之间的优劣顺序混乱等问题,设计了动态权重相对加权法的适应度函数。在参数研究环节,采用了正交设计法,可以在保证算法参数质量的情况下,能用相对少的时间来筛选出合适的参数。在函数实验环节,利用最优百分比误差和平均百分比误差来验证改进后的算法的优越性,用基于与参考集的距离的指标来验证算法的有效性。最后以一个实际的多目标流水车间调度问题验证了算法的可行性。