在实际应用和科学研究中,经常需要对某些问题进行优化,而这些问题往往伴随着目的的约束,并且这些优化问题还同时拥有着多个目标,需要对这多个目标同时优化。因此,单个目标的数学模型常常不足以描述问题的全部特征,而以多个目标函数为优化对象的数学模型常常被采用。研究多个目标函数优化问题的求解方法则具有重要的学术意义和应用价值。采用智能优化方法解决多目标函数在指定区域上的优化,称为多目标智能优化,多目标智能优化在工程和各种学科中得到了广泛的应用。本文在新兴鸟群算法的基础上,重点研究了多目标进化算法,其创新工作主要包括如下两点:由于原始鸟群算法在处理高维变量优化问题时,容易陷入局部最优且稳定性较差。本文将混沌机制引入鸟群算法中,提出了一种基于混沌的鸟群优化算法(CBSA),实现了对原始鸟群算法的改进。CBSA在初始化时通过逻辑映射在优化问题的整个解空间选取个体,并在一定迭代次数后给搜索到的最优解附加一个小幅度的混沌扰动,避免算法陷入局部最优。通过七个经典的标准测试函数,本文算法和经典的PSO、BA及初始鸟群算法分别在低维、高维两种情况下进行比较,验证了 CBSA算法的优越性。此外,将提出的混沌鸟群算法成功应用于处理多目标优化问题,提出了一种多目标混沌鸟群算法(MOCBSA)。该算法采用混沌鸟群算法的搜索机制,使用外部精英集保存非劣解集,使用综合排序操作和改进的拥挤距离来保持Pareto最优解集的分布性。通过在低维、高维ZDT系列测试函数和DTLZ系列测试函数上的仿真实验,将MOCBSA和经典的NSGA-II算法、MOEA/D算法及MOPSO算法进行对比,然后,评价各算法求得的GD、SP、C性能度量指标及收敛曲线,证明了本文算法是可行的。