在很多工程应用问题中经常有多个目标需要同时优化,并且这多个目标往往是互相冲突的,这类问题被称之为多目标优化问题。与单目标优化问题存在单一的最优解不同,多目标优化问题存在的最优解不止一个,而是由一系列非劣解组成的最优解集构成。在过去的二十多年里,多目标优化在进化计算领域引起了广泛的关注,许多基于启发式的群智能优化方法被提出来解决多目标优化问题。粒子群优化算法作为其中最典型的群体智能算法,因其形式简洁,收敛速度快速和参数调节机制灵活等优点,具有很大解决多目标优化问题的潜力。但是将粒子群优化算法应用于求解多目标问题时,外部档案集的维护,个体最优解和群体最优解的选择以及开发和开采的平衡等问题成为了技术挑战。本文针对这些问题而开展的主要研究内容如下。(1)在求解多目标问题过程中收敛性和多样性的平衡管理问题。逆世代距离(Inverted Generational Distance,IGD)是衡量解集收敛性和多样性的综合指标。本文首先提出了一个基于虚拟Pareto前沿面的虚拟逆世代距离的指标,相对应地提出了基于该指标的多目标粒子群算法(MOPSO/vIGD)。通过选择几个当前流行的多目标进化算法与MOPSO/vIGD在一系列测试函数上进行比较,证明了其求解多目标问题所得解集在收敛性和多样性具有非常明显的优势。(2)多目标粒子群优化算法中领导者选择问题。领导者选择策略是粒子群算法设计中的核心部分,并且在整个搜索过程中,选择具有不同任务的领导者是非常必要的。在本文中,首先提出了一个新的进化状态评估机制,将整个进化环境区分为开发和开采两个状态,相对应地提出了两类领导者:收敛性领导者和多样性领导者。当整个种群处于开采状态时,收敛性领导者将被选择带领整个种群向有利于收敛性的方向运动;而当整个种群处于开发状态时,多样性领导者将被选择带领整个种群向有利于多样性的方向运动。同时,提出了一个改进的基于参考点的外部档案集维护策略,有效地提升了所得解集的多样性。最后将各部分集成为一个基于状态评估机制的自适应多目标粒子群算法(AMOPSO/ESE),仿真结果表明该算法能够取得非常好的性能。(3)将本文所提出的多目标粒子群算法应用于物资调度问题来测试其解决实际问题的能力。目前针对地震应急物资调度的研究大多采用单目标优化方法或多目标建模后通过加权系数转化为单目标来优化求解。但实际上,地震应急救援需要兼顾时效性、公平性和成本性等多个目标,且各目标之间的权重系数难以确定。本文通过对地震应急物资调度问题建立了带约束的三目标优化模型,并利用了本文提出的两个多目标粒子群优化算法求解这个模型的Pareto最优解集。同时,根据决策过程中“先粗后精”的行为模式提出了由兴趣最优解集和邻域最优解集构成的两级最优解集来表示Pareto前沿的思路,以简化决策过程。仿真算例表明,算法能够有效地获得地震应急物资优化调度方案,并能方便地引导决策者从Pareto前沿中众多候选解中选择一个执行方案。