粒子群优化(Particle Swarm Optimization,简称PSO)算法是一种基于迭代学习的群体智能优化算法,粒子在迭代过程中通过追随当前最优粒子并参照自身的历史经验在搜索空间内寻优,算法具有参数少和收敛速度快的优点,被广泛地应用于解决多目标优化问题。多目标优化问题的求解复杂度高,在算法中融入偏好信息,可以在降低算法的复杂度的同时,提高算法有效性,并且算法运行结束可以得到符合偏好信息的候选解集。然而,如何从这些候选解集中选择符合决策者偏好的一组满意解,仍需要有效的求解方法。本文针对上述问题,重点围绕PSO算法的改进和模糊偏好的融合等问题展开初步研究,并将改进后的算法应用到企业供应链管理的库存控制中,以提高企业的库存管理水平。本文主要内容包括:(1)针对PSO种群多样性不足和算法后期收敛缓慢等问题,引入自适应高斯变异和动态惯性权重以平衡PSO的多样性和收敛性。利用自适应高斯变异提高PSO的种群多样性;利用动态惯性权重策略改善PSO在算法后期的收敛速度。基于六个经典测试函数的仿真模拟实验证明:改进后的粒子群优化算法有较优的性能。(2)针对目前无法在算法中融合决策者模糊偏好的问题,在基于双极偏好的MOPSO算法基础上,依据模糊目标决策理论,结合决策者及决策者对目标的权重,给出基于模糊偏好的效用函数,提出基于模糊偏好的多目标粒子群优化算法,解决从较多的Pareto最优解中选择一组决策方案的难题。(3)实际应用中,针对库存控制中的连续盘点(r,Q)多目标库存控制模型,提出利用基于模糊偏好的多目标粒子群算法以解决无法融合决策者模糊偏好的不足。仿真实验表明,该算法能够有效地集成决策者的模糊偏好,有效压缩了方案的搜索区间,大大提高了算法的求解效率,为决策者提供了更高效的、强交互性的库存控制决策方案。