在现实生活中许多优化问题都有多个目标,必须同时进行优化,传统的技术已经不能解决多目标优化的问题,元启发算法为解决多目标问题提供了新的思路,而粒子群算法是元启发算法的代表性算法,粒子群算法思想源自自然界鸟类捕食的行为。虽然已经有很多多目标粒子群算法,但是由于粒子群特殊的引导者机制和早熟的问题,使得多目标粒子群算法在寻优过程中存在收敛困难和多样性偏差的问题。针对以上问题,本文在深入研究多目标粒子群算法的基础上对其提出改进方法,主要工作如下:(1)为了改善多目标粒子群算法存在优化解的多样性不足和算法的收敛性问题,提出了一种博弈机制的多目标粒子群算法,该算法并不需要外部集来存储全局最优值和个体最优值。首先利用混沌映射的特性改善算法的收敛速度,避免算法陷入局部最优,其次拥挤距离和博弈机制保持了算法的多样性。实验结果表明,与六种算法在三个系列测试函数上进行对比,提出的算法在种群多样性的维持和收敛速度方面都具有良好的性能。(2)为了平衡搜索过程中的收敛性和多样性,提出了一种新的混合策略的多目标粒子群算法,该方法提出了一种简化的面向引导者的粒子群算法,加快了粒子的收敛速度;其次,充分利用粒子群算法的学习机制,提取粒子速度信息,一种新的精英定义的测量方法和基于多样性增强的决策变量分析方法,增强了算法所得解的多样性;自适应的双领导选择策略,避免算法陷入局部最优。在基准测试实例上的实验结果表明,混合机制的多目标粒子群优化算法的性能优于其他多目标粒子群优化算法。在高维目标空间中的多样性保持能力与基于分解和基于控制的进化算法相比有提高。