多目标优化是优化问题的主要研究领域之一,其结果是一组不可进行相互比较的解,一个解对于某个目标来说可能是较好的,但对于其他目标来讲可能是较差的。所有这些解的集合构成Pareto最优解集。传统的方法求解多目标优化问题存在很多缺陷,因此如何设计高效的优化算法来解决多目标优化问题变得非常迫切。自上世纪80年代以来,优化算法的发展为优化理论的发展提供了新的思路和方法。粒子群优化(PSO)算法是近年来发展起来的一种群智能算法。它的主要特点是:群体中的各个粒子根据自身经验和其他粒子的经验获取有效的信息,从而指导搜索。由于该算法简单、收敛速度快等优点,自从提出就得到了广泛的关注,现已广泛应用于函数优化、神经网络、模糊系统控制、模式识别等领域,显示出了强大的生命力。本文针对多目标粒子群优化问题进行研究,提出了一种基于ε占优的多目标粒子群优化算法。ε占优的概念最初是由Deb等人提出,利用所设定的ε参数值来获得所需要的Pareto最优解的个数以及将整个Pareto最优面划分为多个超立方体,每个立方体中最多有一个非支配个体,从而保持了所得解的分布性。同时本文还利用正交设计方法来产生初始群体,从而提高算法对初始群体的利用能力。最后通过与几个经典测试函数的实验进行比较,验证了本文提出的算法在时间效率、分布度、CPU运行时间等方面都有不错的表现。