现实当中许多复杂的工程和科学问题都可以抽象为多目标优化问题。解决多目标优化问题的方法有很多,如多目标遗传算法,多目标粒子群优化算法,多目标差分进化算法等。其中,多目标粒子群优化算法以其快速收敛以及简单易实现的特性吸引了许多学者的关注。但现有的一些多目标粒子群优化算法虽然已经能处理常见的多目标优化问题,但由于其对种群中最优解的依赖,这些方法通常在解决复杂的多目标优化问题时非常容易陷入局部最优。另外,多目标粒子群优化算法在处理含有大量决策变量的多目标优化问题时,由于其方法很难在高维搜索空间中快速的获取有效信息,而使其算法很难收敛到真实前沿面。为了进一步提升多目标粒子群优化算法的性能,本文考虑引入竞争机制,通过种群对竞争优胜粒子的学习,削弱种群中个别最优解对算法性能的影响,并增强优化解在种群中的优势,加快粒子收敛的收敛速度,从而保证算法的性能。因此,在基于竞争机制的基础之上,本文提出了基于精英竞争机制的多目标粒子群优化算法来更好的解决含有多个局部最优解的多目标优化问题,同时,本文又提出了基于高效搜索的大规模多目标粒子群优化算法来解决大规模多目标优化问题。本文主要研究工作总结如下:(1)本文提出了一个基于精英竞争机制的多目标粒子群优化算法。该方法通过利用从精英解集中选取的优胜粒子来替换常见的粒子群优化算法中的局部最优解和全局最优解来更新粒子,从而加快算法的收敛速度。另外,本文所提方法不需要利用外部文档来保存搜索过程中粒子的历史信息,只需对当前代的粒子进行操作,这使得原本较为复杂的算法逻辑变得清晰简单。通过与应用十分广泛的多目标进化算法和主流多目标粒子群优化算法在多目标优化问题的测试函数上进行实验结果的对比,本文所提出的算法展示出了良好解决多目标优化问题的能力。(2)本文在基于精英竞争的多目标粒子群优化算法的基础之上,提出了一种基于高效搜索的大规模多目标粒子群优化算法。该方法通过利用粒子的预更新策略,重新设计了粒子的更新公式,从而加快了粒子的收敛速度。同时,该方法还引入了竞争机制来加强种群中优胜粒子的优势,从而使算法在进一步提升收敛速度的同时,保证了其良好的分布性。本文通过将所提出算法在大规模优化问题上进行测试并与其他四个多目标优化算法的实验结果进行对比,展示出了其良好的性能。