在人类的生产生活中,大部分优化问题都是具有NP难度的多目标优化问题。采用多目标优化方法,可以对这些问题中相互冲突的目标进行更好的权衡并得出满意的优化结果。目前解决多目标优化的方法主要集中在启发式算法方面。其中,人工蜂群算法在解决多目标优化问题时显示出了较强的求解能力。人工蜂群算法有别于传统算法的一个重要特质是它本质上是一种概率搜索,在问题求解过程中,不需要提供任何与问题相关的梯度信息,就可以解决各种复杂的问题。而较其他群智能算法来说,人工蜂群算法又具有控制参数少、收敛速度快以及易于实现的优势,近年来受到越来越多的关注,但是将人工蜂群算法应用于多目标优化问题目前还处于起步阶段。已有的多目标人工蜂群算法较为基本,处理问题的方式较为单一,不能根据问题本身的特点,灵活处理各种问题,同时也不能较好的将算法进行中获得的即时信息反馈来引领算法本身,具有一定的盲目性,浪费了算法本身的资源。反馈机制,指将输出返回到输入端并以某种方式改变输入,进而影响整体的过程。针对已有多目标人工蜂群算法中存在的不足,根据反馈机制,本文首先提出了基于反馈的多目标人工蜂群算法框架,并对基于反馈框架下的各种策略进行详细描述,其中包括初始化、雇佣蜂觅食、食物源评价、食物源的形成机制、观察蜂觅食、侦察蜂觅食等策略。在此基础上提出了基于搜索代价反馈、搜索策略反馈、搜索因子反馈三个算法。基于搜索代价反馈算法中,利用雇佣蜂limit值信息更新频率的反馈信息,动态调整平衡全局搜索代价的重要参数,使算法整体更加高效。基于搜索策略反馈的算法中,由于所针对的具体问题不尽相同,利用反馈的已搜索信息,动态调整算法中各种策略所采用的比例,最终得到一个更加优质的非支配解集,使算法更加灵活。基于搜索因子反馈的算法中,根据观察蜂选择食物源概率信息的反馈,动态调整搜索因子来平衡全局搜索与局部搜索的关系,提高了算法的综合效率。最后,本文将三个多目标人工蜂群算法应用到了函数优化问题和面向QoS (Quality of Service,服务质量)服务选取问题中。实验部分,本文定义了多个指标从各个方面评价算法的性能,文中进行了收敛性分析,参数调整,实验证明等,并且与最近提出来的算法进行了对比分析,实验结果充分说明了本文提出的三个多目标人工蜂群算法的有效性。