近年来,如何求解工程领域的复杂多目标优化问题受到了广泛关注,许多基于生物群体行为提出的优化算法应运而生。其中,基于群智能提出的粒子群算法因其具有参数少,收敛速度快,易于实现等特点在多目标优化领域展现出了较大的发展潜力。然而,将粒子群算法用于求解复杂的多目标优化问题时还存在如何平衡算法的寻优能力和收敛能力、如何选取全局学习样本以及如何维护外部存档规模等关键问题,这些问题给粒子群算法求解多目标优化问题带来了严峻挑战。为此,提出了几种改进算法,主要内容如下:1)为提升算法的性能,减小算法在求解过程中陷入局部收敛的概率,提出一种基于理想距离的多目标粒子群算法（IDMOPSO）。在IDMOPSO中,为平衡算法的寻优能力和收敛能力,引入自适应参数来动态地调整种群中粒子的飞行速度,并利用自适应网格和理想距离对全局学习样本的选取方式和外部存档规模的控制策略进行改进和优化。此外,为防止算法陷入局部最优,在开发和探索过程中引入了余弦因子对粒子的位置进行变异,前期粒子属于开发阶段,变异幅度不大,后期粒子进行局部寻优,增大变异幅度。将IDMOPSO与主流的多目标粒子群算法以及其他多目标进化算法在ZDT、DTLZ和UF系列测试函数上进行仿真实验。实验结果表明,IDMOPSO在收敛性、分布性以及求解多目标优化问题的能力等方面均有明显改善。2)为加强算法对优秀粒子的挑选和储存能力,提出一种基于排序和循环距离的新型多目标粒子群算法（RCDMOPSO）。在RCDMOPSO中,引入了一种不同于Pareto框架下非支配排序的全局比例排序方法,并提出基于循环距离的多样性评估策略;将全局比例排序与循环距离相结合,设计了一种新的全局最优解的选取策略和新的外部存档的维护策略。将RCDMOPSO与主流的多目标粒子群算法以及其他多目标进化算法在ZDT、DTLZ和UF系列测试函数上进行仿真实验。实验结果表明,RCDMOPSO具有较好的收敛性和多样性。3)为提高外部存档中非劣解的质量,加大学习样本的选择压力,提出一种基于双决策和快速分层的多目标粒子群算法（DDFSMOPSO）。在DDFSMOPSO中,利用拥挤距离和绝对距离相结合的双决策策略对外部存档规模进行维护,使得优秀粒子在随后的进化过程中易于保留和发展;同时,采用快速分层策略从外部存档中选取全局学习样本,用于领导种群中粒子的进化,促使种群中的粒子向真实的Pareto前沿移动。此外,设计了一种基于双策略的速度更新方式来平衡算法的局部搜索能力和全局搜索能力。仿真结果表明,DDFSMOPSO可以作为求解多目标优化问题的有效算法。