现实生活中人们在解决一个问题的时候往往需要平衡多个方面的利益,因此多目标优化问题一直都是一个热点研究话题。粒子群优化算法因为其简便有效的算法模型、方便易操作的调节参数、快速寻优的特性和较强的全局寻优能力,一直受到广泛的关注。但随着优化目标复杂度的提高,传统粒子群算法还是存在一定的局限性。譬如在保证粒子群算法优良的收敛速度的时候很难确保粒子的多样性,解决多峰值目标函数,有较多局部最优点的情况下,粒子群算法自身固有的搜索机制就限制了算法搜索到最优解的能力。本文通过对粒子群算法的初始化部分,速度、位置更新模型,档案维护机制,决策向量变化的特征,判断非劣关系对档案保存粒子的影响等每一个细节的分析,寻找阻碍算法的收敛速度,寻优能力以及破坏算法多样性的因素,根据不同机制的局限性提出改进策略。针对粒子群算法多样性方面的不足,提出以下几点改进。1、根据对外部档案在不同时期粒子密度的差别,分别采用栅格机制和拥挤距离精英策略来维护外部档案,简化分割目标空间的算法复杂度,保证维持粒子多样性的同时不会影响算法的迭代速度；2、修改粒子速度更新模型,加入少量扰动,避免因为种群对全局最优解的过分依赖而产生扎堆现象；3、设计非劣粒子选择机制,实时监测外部档案中粒子的状况,如果出现陷入局部极值点的可能,则混合新粒子加入种群中,来协助原种群在决策空间中产生更多解的可能性。提出了IMOPSO改进算法。在解决复杂多峰优化问题的时候,粒子群算法本身的搜索能力较弱。基于直接搜索法的思想和高斯变异算子,提出一种局部搜索算法,将局部搜索性能和粒子群算法优良的全局搜索性能有机的结合起来,在不影响算法本身的收敛速度的情况下,加强了粒子的搜索能力。提出了DSMOPSO改进算法。本文通过对测试函数的实验和与其他算法的比较,证实了改进算法的有效性。对实际应用问题进行求解,验证了算法的实用性。