为解决散热器设计中的多目标优化问题,越来越多的启发式算法,如遗传算法、粒子群算法、模拟退火算法和差分进化算法等不断地被用到散热器散热性能优化中。粒子群优化算法由于其计算简单、收敛速度快、控制参数少和有较强鲁棒性等特点,受到越来越多学者的青睐。但启发式算法往往需要大量的计算量才能达到收敛。为减小计算量,常用的方法为利用少量样本数据构建代理模型,通过优化构建的代理模型得到问题的近似解。基于代理模型的多目标优化方法虽然可以提高启发式算法的计算效率,但由于实际问题的复杂性,代理模型难以保证精度甚至难以构造,导致近似多目标优化往往得不到与真实模型一致的非支配解。为提高散热器多目标优化计算效率,解决启发式算法计算量大,优化效率低的问题,同时保证优化结果为原模型的计算结果,本文将多目标粒子群优化方法与拥挤距离取点策略及参数传递策略结合。组合后的方法首先通过多目标粒子群算法优化粗糙模型得到其非支配解分布,然后利用拥挤距离取点策略选择部分具有代表性的分布均匀的解,通过参数传递,使精确模型获得粗糙模型的优化结果信息。最后,再利用多目标粒子群算法优化精确模型,得到精确模型的非支配解。由于粗糙模型优化结束后往往能进入局部搜索阶段,达到收敛,精确模型因与粗糙模型具有相似性,通过参数传递后,精确模型的种群可以快速的进入局部搜索阶段,并快速达到收敛。通过两组函数的测试,基于拥挤距离取点的多目标粒子群优化方法既提高了优化效率,也保证了计算精度。将该方法应用到针肋散热器多目标优化设计问题后,针肋散热器设计优化效率明显提高。为进一步提高算法的计算效率,本文对上述提出的拥挤距离取点多目标粒子群优化方法进行了改进。通过选择精确模型初始化后感兴趣区域的目标值对应的粒子作为其新的优化种群,减少了种群在低贡献度非支配解区域的搜索,从而减少精确模型的计算量,提高计算效率。改进后的方法对粗糙模型的优化结果信息以及精确模型初始化后的目标空间信息都进行了有效利用,进一步提取了模型的有效信息。从两组函数测试中可以看出,经过改进后的方法对精确模型的调用次数明显减少,算法计算效率有较大提高。将改进后的方法应用到圆形散热器的多目标优化问题中,散热器优化计算效率得到进一步提高。同时,本文还设计了基于Matlab/GUI的拥挤距离取点多目标粒子群优化软件运行界面,为终端用户提供了一个简单、便捷的操作平台。