群体智能优化算法通过模拟自然界中生物的群体行为来解决复杂的优化问题。近年来,群体智能优化算法在其性能改进以及现实应用方面均有较为可观的表现。但随着优化问题越来越趋于复杂化,传统的单一智能优化方法已经很难在有限时间内找到满意的解决方案,而混合多种群体智能算法的优化策略已成为该领域的发展方向;同时由于大多数实际优化问题都涉及两个或多个冲突目标的同时优化,对多目标优化问题的研究也具有重要的理论和现实意义。另外,由于在科学研究和工程应用中,大多数的优化问题都会受到不同类型的约束,因此应用优化算法求解带约束优化的问题也受到了越来越多的关注和重视。针对无约束优化问题,本文提出了一种基于帝王蝶优化框架的混合多目标优化算法。首先对帝王蝶优化算法进行修改,给出了一个多目标帝王蝶优化算法框架;然后受粒子群优化算法中个体极值思想和差分进化算法中差分策略的启发,在迁移操作中使用了一个新的变异算子,结合个体极值和邻居的信息来指导解的搜索;最后结合快速非支配排序,采用算数交叉算子对解进行进一步的更新。针对带约束的优化问题,本文提出了一种求解带约束优化问题的混合多目标优化算法。首先使用Deb的约束处理策略对两个解之间支配关系的定义进行修改,并对每次更新后种群中的不可行解进行变异;然后将原始帝王蝶优化算法中的蝴蝶调整比率与迭代次数关联;最后结合粒子群优化算法提出一种混合更新规则,即将种群分为三个部分,分别通过迁移、蝴蝶调整和粒子群更新规则进行更新。通过使用一系列基准测试函数进行测试,并将算法得到的结果与其他主要方法进行比较,表明了所提出算法的有效性。