多目标最优化(MOP)也称为多标准优化，多绩效或向量优化问题。多目标问题求解困难而且广泛存在，吸引着大量科研工作者对其进行深入的研究。进化算法的出现使得多目标问题的解决有了方法和途径，而粒子群优化算法(Particle Swarm Optimization, PSO)也是进化算法的一种，粒子群优化算法一开始是模拟鸟类的觅食行为，其具有概念简单、易于实现、收敛快等优点，因而逐渐地被广泛应用于多向量优化问题中。但是，多向量优化算法仍然存一些缺陷，例如用该算法求解多峰问题非常困难，在求解过程中易陷入局部极值、得出解分布性不均均匀、用该算法对于高维问题的求解也很困难等，因此我们需要更深层次的去研究多目标粒子群优化算法。　　本文主要做了以下工作：　　（1）系统的总结和介绍多目标优化问题，仔细的分析和介绍了几种常用的、典型的多目标优化算法，系统的总结了多目标粒子群优化算法的研究背景和研究现状，对本领域的前沿作了比较深入的归纳和分析。　　（2）详细的介绍了多目标粒子群优化算法，对目前多目标粒子群算法存在的缺陷做了深入的分析，详细介绍了多目标粒子群算法的设计流程及运算过程，对几种常用克服多目标粒子群算法缺陷的改进策略做了系统的分析和研究。　　（3）对现实世界中的动态多目标优化问题进行了陈述，对动态多目标粒子群优化算法进行了系统的分析介绍，对动态优化问题的标准测试函数进行了详细的分析和介绍，包括动态环境变化的特征、数学表示方法、及环境变化的监测方法。　　（4）提出了基于动态领域的多目标粒子群优化算法,该算法引入正态分布随机变异算子，使粒子在邻域内随机变异，同时在个体最优位置选取时，对未进入过精英解集的粒子进行变异，使粒子能够在新的可行域中寻找，从而加快粒子的收敛速度，该算法克服多目标粒子群算法存在收敛性差，易陷入局部最优等缺陷。　　（5）将提出的改进算法应用到煤制甲醇合成的过程中的参数优化中，并用BP神经网络建模，进行应用验证，通过仿真实验取得了较好的实验效果，验证了所提算法的有效性。　　本文通过对多目标优化问题及多目标粒子群优化算法进行系统的研究，提出了一种动态领域的多目标粒子群算法，通过计算机仿真试验、理论分析、以及实际应用验证了算法的有效性。同时，本文的研究方法也可以指导解决其他工业流程优化问题。