近些年,多目标优化问题成为工业生产和生活中越来越需要面对和解决的问题,很多学者已经利用现有的优化算法解决了一些实际中的多目标优化问题。但是每一个算法都有自身的局限性,因此如何利用更有效的方法解决多目标优化问题具有非常重要的意义。论文根据多目标优化问题的特点,采用多种策略对多目标粒子群算法进行改进,并用于求解实际问题。　　首先,为了改进基本粒子群算法在解决复杂问题时存在的局限性,验证基于决策空间优化策略的有效性,提出了基于自适应混沌搜索和kalman滤波的估计的改进粒子群算法。该算法引入估计策略提高基本算法的收敛性,与此同时为了不影响算法的多样性,引入了混沌搜索策略扩大决策空间的搜索范围。经过测试函数的验证该算法有效的提高了粒子群算法的性能,并应用于电力系统经济问题。　　其次,提出了基于自适应差分进化的多目标粒子群算法,引入聚类和差分演化变异策略对多目标粒子群算法进行改进。聚类策略直接作用于目标空间,将目标空间的解分为不同的类,对不包括非劣解的类进行差分演化变异使得群体在进化过程中,前期种群迅速逼近最优位置所在的区域,后期拓宽决策空间的搜索范围。这种改进策略可以提高算法的收敛速度,也会在一定程度上提高算法的多样性,最后应用于电力系统经济环境调度问题。　　再次,分析了非劣解在pareto前沿的分布特点,对pareto前沿的膝点位置进行估计,通过对膝点位置的变异操作,得到更多膝点周围的可行解点,避免在膝点周围难以搜索到更多非劣解的局限性,提高算法的收敛性,增进了多目标优化的理论研究,也给多目标优化的决策者提供了有倾向性的备选,最后将改进算法应用于电力系统经济环境调度问题。　　最后,采用多目标优化算法的评价指标分析了两种改进多目标粒子群算法在多目标测试函数的收敛性和多样性,并且比较了电力系统经济环境调度问题的结果验证了改进算法的可行性和有效性。