多数的工程和科学问题都属于多目标优化问题(Multi-objective Optimization Problem,MOP),即存在多个相互冲突的目标,如何获得多目标优化问题的最优解,是一个学术界和工程界关注的热点问题。不同与单目标优化问题,多目标优化问题的最优解往往不止一个,而是由一系列非劣解组成的一个集合,这些解之间互不被对方支配。传统的方法在解决多目标优化问题时显得捉襟见肘。随着智能优化算法的发展,越来越多的智能算法,进化算法,群智能算法等相继应用于多目标优化问题的求解中,并取得了不错的效果。本文主要完成了以下工作:首先,介绍了多目标优化问题的研究背景及意义,介绍了进化算法在在多目标优化领域的研究现状,发展历程,以及未来的热点研究方向。并重点讲述了粒子群优化算法(Particle Swarm Optimization,PSO)的一些基本概念,基本思想,并介绍了粒子群优化算法的特点。随后又简述了近些年来粒子群优化算法的发展历程和研究方向。紧接着就引入了多目标粒子群优化(Multi-objective Particle Swarm Optimization,MOPSO)的概念,并介绍了多目标粒子群优化算法的发展和研究现状。同时也出于本文对比的需要,对多目标优化领域中经典的NSGA-II算法进行了简单的介绍。然后介绍了综合学习粒子群优化算法(Comprehensive Learning Particle Swarm Optimization,CLPSO)的主要思想和原理,以及其相对于传统粒子群优化算法的优势。通过总结得出多目标粒子群优化算法的重点在于外部档案的维护和全局最优的选取。在多目标综合学习粒子群优化算法(Multi-objective Comprehensive Learning Particle Swarm Optimization,MOCLPSO)的基础上,引入了一种快速排序策略(Fast-sorting)来对外部档案进行维护,以达到提高算法性能的目的,同时提高了算法运行速度,缩短了仿真时间。随后在标准测试函数下首先分析了其参数针对不同问题对算法的影响,最后通过和另两种经典算法进行对比,并在标准测试函数上进行测试对比,证明了新的策略的有效性。在最后,选择投资组合问题来测试算法解决实际问题的能力将Markowitz均值-方差模型当作一个多目标问题来进行优化,并使用加入快速排序策略的多目标优综合学习粒子群优化算法来对问题进行优化。结果表明,改进的算法所得到的非支配解集不仅能够更接近真实的最优曲面同时还具有较好的延展性,更重要的是缩短了算法运行的时间,证明了新的策略解决实际问题的能力。