许多工程和实际应用的问题都可以归纳为多目标问题。我们知道粒子群算法具有全局搜索性能很强、收敛速度快、概念比较简洁的特点,因此被广泛的用于解决像多目标这一类搜索空间非常大的问题。针对多目标问题的求解我们现在面临着这两个问题,一方面就是最优解集收敛到真实的Pareto最优解的程度,另一方面是得到的最优解集在Pareto前沿的分布均匀性。因此,本文也针对该两个重大难题对粒子群算法进行两方面的改进:一方面提出混沌粒子群算法的多目标优化:在粒子群更新后采用混沌序列中的Logistic映射生成解;在算法中后期,引入正态分布的交叉算子来提高种群的多样性;并采用简化的网格缩减、基因交换等策略提高算法的性能。最后与MOPSO、NSGA-II和MOEA/D算法进行对比分析得出实验结果。另一方面针对粒子群算法全局搜索性能强、局部搜索性能差等特点与局部搜索性能强的差分进化算法进行算法融合并进行改进,提出多目标粒子群协同差分进化算法,其核心思想是根据迭代次数,利用模拟退火算法生成比例因子,并根据比例因子动态的调整种群使用改进的粒子群算法和差分进化算法进行更新的比例;根据拥挤距离排序的方法缩减非支配解集以减少计算复杂度。通过测试用例,将其与MOPSO、NSGA-II和部分文献的算法进行对比分析,讨论算法的性能。最后对全文进行总结与展望.说明本文研究的主要工作以及得到的主要结论,并给出了本章的不足之处以及可以改进的方向。