在自然科学和工业工程的各个领域都存在着优化问题,一般情况下,以往的优化算法使用传统技术解决实际优化问题时会陷入瓶颈,所以需要更高效更稳定的智能优化算法。鲸鱼优化算法（Whale Optimization Algorithm,WOA）是一种新型的群智能优化算法。该算法所需参数少,算法结构及操作简单,但是算法本身也存在易陷入局部最优、收敛速度较慢、求解精度低等缺点。本文针对鲸鱼算法的这些缺点,对其进行改进,并将其应用于节油降噪的最后进近程序的双目标优化模型中。首先,改进鲸鱼算法并实验验证其性能。为提升鲸鱼优化算法收敛性能和搜索能力,解决其易出现早熟现象、求解精度低等问题,提出了一种新的基于Tent混沌映射的可复制的鲸鱼优化算法。初始化阶段利用Tent混沌映射生成初始种群;算法迭代后期引入细菌觅食优化算法的复制操作。实验结果表明,细菌觅食算法的复制操作结合Tent映射产生初始随机序列,能够有效提升鲸鱼算法的性能。其次,构建进近程序多目标优化模型并求解。以航迹最大噪声点噪声值与标准噪声限值的差值作为噪声目标函数,以最后进近航段飞机的平均耗油量作为油耗目标函数,构建一个双目标优化模型。并将最后进近航段航迹映射为简单的TSP问题,将航迹的噪声值和油耗量作为TSP路径的互斥权重,用改进后的鲸鱼算法寻优,搜索求得最优飞行路径,获得实际飞行航迹中最优的一条或几条航迹集合,并按照该组航迹的标准规划最后进近飞行程序,得到一个使得飞机噪声影响和燃油消耗量最优的飞行程序。仿真实验结果表明,该双目标模型具有良好的可靠性,且基于Tent混沌映射的可复制的鲸鱼算法具有较强的寻优能力和稳定性。