粒子群优化(PSO)算法是由Kennedy和Eberhart于1995年提出的一种群智能优化算法。这种智能算法与遗传算法(Genetic Algorithm)类似，都是基于种群的随机算法，但他们的遗传机制不一样，PSO算法比遗传算法的遗传机制更简单，实现起来更容易，所以它也有着十分广泛的应用。PSO虽然在优化领域，尤其是函数优化得到了非常成功的应用，但它有着自身的局限和缺点。对于传统的PSO算法，超常个体的行为有可能控制整个群体的运动行为，从而导致局部最优，影响算法的全局优化性能。在算法收敛的情况下，由于所有的粒子都向最优解的方向群游，所有的粒子趋向同一，失去了种群的多样性，无法继续优化。针对PSO的这个缺点，本文提出了两个改进的算法：FPSO和FMSO算法，这两个算法都很好的克服了PSO易陷于局部最优的缺点。 多目标优化问题的解是多个最优解的集合。多目标问题最优解集中的元素是不可比较的，所以称为非劣最优解集。基于Pareto最优概念的多目标优化的演化算法近几年有了很大的发展，取得了很大的成绩，出现了很多经典算法。但是，基于Pareto概念设计的演化算法。存在着一定的问题。比如：没有考虑非劣解之间的差异：没有考虑目标之间的差异；没有为决策者提供真正意义上的解。所以本文提出了一个基于e最优概念的多目标评价体系，并用实际的测试用例证明了这个新的非劣解评价系统的有效性。 将PSO应用到动态系统中追踪动态系统极值的变化已经成为一个新的研究领域，但将传统的PSO算法应用到动态优化问题中，主要存在两个方面的问题，第一个问题是当环境改变时，整个种群的记忆信息将不再正确。第二个问题是当种群收敛时，整个种群将丧失多样性。一般认为第二个问题的解决是比较困难的，很显然在动态优化环境中，一定要采取调整或者维持种群多样性的机制，本文中作者利用多种群PSO技术(DFMSO)很好的解决了上述问题，并测试了一个经典的标准函数，实验结果表明DFMSO算法能够在动态环境下有效的发现和追踪全局最优解的变化。 本文主要工作如下： 1.通过对粒子群算法工作机理的分析，找到其优点和缺点所在。 2.引入Cauchy变异，提出FPSO算法，从而克服了PSO易陷入局部最优的缺点。 3.利用多种群技术，提出FMSO算法，保证了种群的多样性，大大提高了PSO的搜索全局最优解的能力。 4.将多种群和记忆移植技术应用到动态环境下，提出了DFMSO算法。 5.通过分析传统Pareto最优存在的问题，提出了e最优的概念，并做了对比实验分析。