多目标优化问题一直是科研领域和实际工程中亟待解决的难题。鉴于传统的多目标优化算法在提高最优解集的收敛性和多样性方面都存在着不足。因此,如何同时提高算法的有效性和保护多样性成为了研究多目标优化算法的重中之重。本文研究和改进了基于快速非支配排序和精英策略的多目标遗传算法(NSGA-Ⅱ),利用网格机制并结合了协同进化的思想提出了 一种高效的多目标优化算法,且将提出的算法应用到解决PID控制器参数优化的问题中。具体内容如下:(1)针对传统多目标优化算法收敛性不足的问题,提出了一种基于改进的匹配选择和网格差分的双向局部搜索算法。首先在算法匹配的过程中,通过有方向性地选择两个潜力个体进行交配,使获得的个体更具有导向性,再通过建立网格机制,对于新产生的个体进行优劣性分析。实验结果表明,改进的算法在收敛性上面获得了较好的改善,使得算法的最优解集更加贴近优化问题的真实前沿。(2)针对传统多目标优化算法多样性不足的问题,提出了一种新型惩罚机制的环境选择方法。在当代种群个体被选择后,应对其周围的个体进行惩罚,通过带有改进策略的惩罚机制,舍弃分布密集的个体,从而改善算法的多样性,防止最优解集分布密集。将改进的算法和其它的三种多目标优化算法进行对比研究,结果表明基于网格差分双向局部搜索的多目标优化算法能快速高效地获得更好的最优解集,且能在目标空间中均匀分布。(3)在算法进化过程中,针对决策者常常忽略种群个体之间相互合作关系的问题,本文结合了协同进化的思想对算法进行了有效的改进。在算法进化过程中的种群平均分为两个或若干个子种群且进行并行进化,在进化过程中将两个子种群的第一等级非支配前沿的部分个体进行互换操作。该方法使得种群在进化过程中充分的利用了个体之间的合作关系,提高了算法的搜索能力和精准度。(4)将改进的多目标优化算法应用到PID参数整定中,并与其它多目标优化算法及传统PID参数整定方法进行比较。实验结果表明,改进的算法相较于传统PID参数整定方法能获得的更优的控制器参数,而相对于其它多目标优化算法该方法能获得更好的最优前沿。