在工程实践和科学研究过程中,会遇到需要同时优化多个目标的问题。针对这些问题,采用传统的数学规划方法效率较低,而智能优化算法在求解多目标优化问题上取得较好的效果。凭借着其灵活性和通用性,智能优化算法具有很大的发展前景和研究价值。本文提出三种新型多目标智能算法,主要研究内容包括以下三个部分:(1)在进化多准则优化领域中,超体积指标是唯一已知在Pareto占优方面严格单调的一元测度。然而,求解超体积所需的计算量却阻碍发挥该指标的潜力。因此,提出一种基于网格计数的多目标进化算法。算法通过计数生成的网格点来替代精确超体积值。在实际情况中,往往需要的并不是精确的超体积值,而是其在最优性方面严格单调的特性,因此寻找另一种具有替代性的指标,采用网格计数替代超体积,并将超体积指标作为种群的适应度函数应用于多目标进化算法中。(2)乌鸦搜索算法作为近几年提出的一种新型的元启发式算法,在多目标优化问题中展现出很大的潜力。然而,现有的多目标乌鸦搜索算法只能解决无约束优化问题,而实际工程问题往往存在约束条件限制,为了扩大其应用范围对该算法作进一步的研究,提出一种约束多目标乌鸦搜索算法。算法采用多目标方法,在原乌鸦搜索算法的搜索过程基础上采用n维球面搜索指导个体搜索方向;同时,提出一种新型的不可行解占优原则,该原则能够充分利用所有不可行个体的约束值信息,指导不可行个体向可行域搜索;此外,算法采用全局搜索、局部搜索并行的方式,不仅能够加强个体的局部搜索能力,而且还能够加入新个体避免种群陷入局部最优解。(3)网格具有同时反映收敛性和多样性的特性,然而现有文献还没有充分利用网格的潜力。因此,尝试进一步利用网格特性,提出一种基于双网格的多目标搜索算法,将目标空间和决策空间分别划分网格,利用基于网格的方法来加强种群朝向最优方向的搜索能力。此外,算法在环境选择过程中,提出一种双重支配排序方式,在快速非支配排序后的各个支配深度基础上,再次对每个深度的种群使用网格支配,为种群提供更高的选择压力。