随着信息技术的发展,群智能算法应运而生,这类算法能有效地克服经典算法无法求解的模型,具有操作简单、求解效率高等优点,因此它成为运筹学领域的研究热点。但由于智能算法的随机性特点,在优化过程中每个目标之间的相互冲突易导致算法陷入早熟收敛。为防止算法快速陷入局部最优,提高算法的求解精度,改善算法的多样性和提高搜索能力,我们分别提出三种不同的多目标改进粒子群算法:基于网格距离的多目标粒子群算法(GDMOPSO)、基于全局排序的多目标粒子群算法(GRMOPSO)和基于混合密度学习的多目标粒子群算法(HDL-MOPSO)。本文提出的算法是在多目标粒子群算法(MOPSO)的基础上,利用网格技术和Pareto占优排序原理建立新的外部存档,并对学习样本的选取策略进行有效改进。GDMOPSO算法是利用网格距离策略对外部存档进行控制和更新,并改进学习样本的一种多目标算法;GRMOPSO算法是通过全局排序策略替换原有的网格技术,建立目标函数值间的内在联系,并结合索取策略对外部存档和学习样本进行改进的全新算法;HDL-MOPSO算法通过结合全局密度和混合排序策略改进全局学习样本,进而提高算法的求解精度。本文提出的改进算法在一组国际标准的基准函数上进行测试,并与几种经典多目标粒子群算法进行比较,实验结果表明,本文提出的改进算法能够有效的避免早熟收敛,在世代距离、多样性和空间评价方法指标上都表现出了优良的整体性能。