蛋白质结构预测是分子生物学界一个重要的研究课题,其本质工作是通过序列数据库中的氨基酸序列数据来预测其对应的蛋白质结构的三维坐标。蛋白质功能以及蛋白质之间的相互作用都依赖于蛋白质结构的信息,在医学研究,制药领域都有着重大的意义。蛋白质结构优化作为蛋白质结构预测的重要步骤,其目的在于将初始预测的粗糙的蛋白质结构在局部进行优化得到质量更高的预测结构。目前,蛋白质结构优化主要采用单一蛋白质能量函数结合蒙特卡洛算法或者分子动力学模拟算法在蛋白质构象空间中进行搜索。这类型的算法存在着两个缺陷,一个是目前的领域内没有一种蛋白质能量函数能够准确地适配所有的蛋白质,采用单个的能量函数可能造成对蛋白质描述的片面性,造成优化效果出现偏差。另一个是这些算法通常采用一个初始结构作为基础在分子动力学模拟中迭代,这样的方式导致优化结构的质量会受到该初始结构的制约。当初始结构质量较差时,优化算法的效果也不会太理想。针对以上两个缺陷,本文提出了面向蛋白质三位结构优化的多目标群智能算法AIR。其核心思路是利用多种能量函数替代传统分子动力学模拟方法中单一能量函数,并且采用多个初始结构作为输入,在使得蛋白质搜索空间增大的同时,利用群智能粒子群算法的信息共享机制来学习各个初始结构之间的高质量局部结构,最后利用蛋白质结构特性采用聚类与边际效应联合的方式对候选蛋白质结构进行筛选。AIR算法由三个部分组成:（1）算法采用多个不同的初始结构作为初始模型,通过随机扰动产生定量的不同结构的粒子;（2）采用基于多目标的群智能算法作为蛋白质构象空间的搜索算法,利用非支配关系衡量不同结构之间的优劣;（3）最后一步是对候选结构进行排序筛选,首先通过聚类算法在能量空间对结构进行聚类,之后对于每一个簇使用边际效应算法进行排序,从不同的簇中选择出最终的优化结构。在实验方面,本文在由CASP11与CASP12构建的目标蛋白质测试集上进行了多方面的实验,并通过与领域内的优秀蛋白质结构优化算法的对比试验证明了经过AIR算法优化后的目标蛋白质在RMSD、TM-score、GDT＿TS等蛋白质无参考评价指标上相比于初始结构与其他算法的优化结构有了很大提升。此外,在CASP13的蛋白质结构优化竞赛中,AIR算法也取得了不错的成绩。最后,作者搭建了一个AIR软件的下载更新平台。旨在让领域内其他科研人员能够了解到这种基于多目标优化思想的蛋白质结构优化算法并且能够方便算法版本更新。