目前,许多专家学者采用自然计算的方式来处理多目标优化的问题,并且得到了理想的结果。本文提出一种改进的算法,来处理多目标优化问题。膜计算是自然计算新的研究方向。本文在膜计算理论的基础上,将其与新兴的群体智能算法烟花爆炸算法相结合,并引入了精英反向学习机制来提高算法的准确性,同时引入NSGA-Ⅱ算法中的非支配排序、拥挤距离计算这两个机制,其作用是用来增强种群的多样性和算法的求解速度。而且在种群的外部创建了一个外部档案集合,该档案集合的作用是将算法在搜索过程中得到的非支配解保存在其中,从而提高算法的速率。烟花爆炸算法是最近几年兴起的群体智能算法,烟花爆炸算法是由Tan等人于2010年发现的,通过对烟花爆炸过程中爆炸点扩散的机制进行模拟,从而提出了一种新的烟花搜索算法。由于该算法的初始参数比较少,执行的过程相对简单,因此在处理多目标优化的问题上具有一定的可行性。由于烟花爆炸算法被多次应用于处理多目标优化问题并取得一定成效后,逐渐吸引了许多学者的关注。将膜计算与烟花爆炸算法结合后,为全面验证算法的可行性,使用了两个目标的测试函数:ZDT1、ZDT2和ZDT3和三个目标的测试函数:DTLZ1、DTLZ3和DTLZ6对该算法进行仿真实验,并证明了该算法具有可行性。同时为了对所提出算法的性能进行验证,这里选择了六种算法(如:MOPSO算法、NSGA-Ⅱ算法、PESA-Ⅱ算法和SPEA-Ⅱ算法等算法)与本文提出的算法进行对比实验,选择IGD作为评价指标并对七种多目标优化算法的IGD进行了对比,实验表明本文所提算法比其它六种算法在处理多目标优化问题上具有更好的性能。该算法在收敛速度和非支配解的多样性方面也有不错的表现。该算法所取得的非支配解同其它六种算法相比能够更好的逼近真实Pareto前沿,这为之后多目标优化问题的处理奠定了理论基础。特征选择是雷达信号识别中的重要技术。特征选择的研究一直是电子对抗中关键而又困难的研究方向。本文对雷达信号的特征选择进行了简单说明。通过相关度函数和冗余度函数构建雷达信号特征选择的多目标优化函数。将上述所提的算法应用在所构建的特征选择目标函数上,然后对雷达信号进行特征选择,最后用FCM(Fuzzy C-means)聚类算法测试算法在信号数据集上的正确率。