粒子群算法是最近几年迅速发展起来的一种新的解决多目标问题的优化算法，该算法已被成功应用在工程实践、神经网络训练、数据挖掘及其它领域。本文针对粒子群算法中粒子收敛精度不高、算法后期易陷入局部最优等问题，进行分析处理，从参数选择及速度更新公式入手，尽量弥补算法不足。本文的主要内容如下：1.针对算法中各粒子初始速度设置不易使粒子快速寻优，算法搜索时间长缺陷，提出了一种指数函数的惯性权重策略，该方法在算法前期可以使粒子快速收敛到优势区域，后期可以在较优区域内精确寻优，缩短了算法运行时间。2.针对粒子群算法在后期粒子寻优停滞不前，算法常陷入局部最优等缺陷，文中提出了速度扰动项方法，该种方法在速度更新公式末项添加一个递增小速度，使得算法前期添加的小速度相对粒子速度几乎可以忽略不计，不影响算法迭代，后期添加的小速度使粒子仍然拥有一个较小速度，该小速度可以对搜索空间精确寻优，避免算法陷入局部最优。3.针对算法耗时长，算法效率低下，设计了支配关系策略，然后利用支配关系构造非支配集合；构建了外部集，应用网格法对于外部集中粒子位置进行定位存储，达到了使粒子快速向Pareto最优前端收敛的要求；引入拥挤距离技术，保留诸多所得解之间的较优解，删除较劣解，完成了对于算法精度的提高；全局最优极值的选取采用随机抽取外部集，保证算法分布性。这些都大大缩短了算法耗时，提高了算法效率。4.选用两种经典的测试函数ZDT1与FON函数对算法进行测试，应用多样性、收敛性及误差比与传统多目标进行数据对比，图像数据对比表明，算法得到了一定程度的改进。然后将该改进算法应用到煤制甲醇数据优化中，选择温度、压力、碳氢比作为输入，CO及CO2转化率作为输出进行数据优化，通过与传统多目标粒子群优化数据进行对比，可以看出，本文的算法改进较传统多目标粒子群有一定程度的提高。本文主要对多目标粒子群算法进行了改进，使得改进后算法收敛性更强，精度更高；并将改进后算法运用到甲醇数据优化中，仿真实验表明了改进后的粒子群算法更好的优化了甲醇数据，从而更好的指导了生产实践。