类似于遗传算法，群智能算法也属于启发式算法的一种．早在20世纪90年代初，已存在通过模拟自然界生物的社会行为来构造随机算法的思想．研究者对生物的群体行为进行模拟，提出群智能算法，其中最典型的两种是蚁群算法(ACO)和粒子群算法(PSO)．粒子群优化算法起源于对简单社会系统的模拟，最初是模拟鸟群觅食的过程，是一种基于群体的随机优化技术．粒子群优化算法自从1995年诞生以来，在研究者的不断努力下，衍生出很多新版本，拓展了应用领域和方向，涌现了大量相关理论的文献和著作．指标的出现，使得决策者的偏好信息可以被结合到多目标优化搜索中．利用这种特性，本文提出一种基于指标的粒子群算法Indicator-PSO．在该算法中，先使用指标对粒子进行适应度赋值，然后根据适应度值找到群体中的最优粒子，并将其置入配对池，使配对池中的其余粒子与其进行杂交．这样，父本的粒子可以利用最优粒子的信息，使群体向更优的方向发展．利用指标的这种特性，粒子群算法可以很容易地解决多目标优化问题．论文最后将算法与NSGA-II、SPEA-2这两种流行的多目标进化算法在ZDT1-4、ZDT6等问题上的测试结果进行比较，试验数据证明该算法在这些问题上显著优于NSGA-II、SPEA-2两种算法．