当今社会是一个由多种网络构成的复杂系统,当中涉及了多种多样的优化问题,其中多目标优化问题是目前人们研究的重点之一。粒子群算法(PSO)作为一种群体智能算法,通过模拟鸟群觅食等生物行为来找寻最优,其收敛速度快的特性使其受到人们越来越多的关注。但由于粒子群算法无法直接应用于多目标优化问题中,因此在粒子群算法的基础上发展出多目标粒子群算法(MOPSO),本文的工作即为研究多目标粒子群算法在多目标优化问题中的实际应用。多目标粒子群算法需解决的难点问题之一是如何确定全局最优解。大多数情况下,针对多目标优化问题,算法找到的不是单个最优解,而是一组非劣解集,即Pareto解集。随着粒子迭代次数的增加,非劣解集的规模会越来越大,因此保证算法的收敛性和分布性显得尤为重要。本文分析的多目标粒子群算法增加了一个外部容器来保存非劣解,并利用密度距离的概念来选取全局最优解,进而在一定程度上避免算法过快陷入局部收敛和使得最终解分布均匀。通过采用测试函数对算法进行测试并与其它优化算法进行对比,其结果证明了算法的良好性能。物流配送系统包含的两大问题——选址问题和路径优化问题,都属于NP难问题。本文将改进的多目标粒子群算法用于解决物流配送系统中的实际问题：在选址问题中,采用离散二进制多目标粒子群算法,且选址方案被视为粒子进行分析；在路径优化问题中,则采用基于遗传变异的多目标粒子群算法,并把配送方案作为粒子。最终算法都能找到非劣解集,从而证明了多目标粒子群算法在解决此类多目标优化问题上的有效性。