多目标优化问题广泛存在于众多领域。多目标问题中的不同目标之间往往相互排斥而且又相互影响的,在设计算法时,使多目标的每一个目标都达到最优往往是不可能的,因此,多目标优化问题的求解目标是找出尽可能多的具有互不支配关系的解(称之为帕累托最优解集)。本文对多目标进化算法进行深入研究,在MOPSO/D的框架下,从两个方面进行改进,其一通过改进粒子群算法的速度和位置更新公式,提高了算法搜索到Pareto解集的速度。同时,对粒子群的惯性权重和加速因子进行改进,使其自适应调整,能够更好地平衡全局和局部搜索,其二采用网格技术存储最优解集,能有效保持进化群体的分布均匀性,通过用8个经典的两目标测试函数进行测试实验。实验结果体现了本算法的有效性。针对AMOPSO/D求解三目标及更多目标问题的不足,本文在MOPSO/D的基础之上,提出基于分解的模糊控制多目标粒子群算法,该算法采用模糊控制,将粒子群的多样性和迭代次数作为模糊控制器的输入,通过模糊控制器的输出来动态调整粒子群的惯性权重和加速因子,通过一系列三目标测试函数进行测试实验,实验结果与其他经典算法进行比较,表明该算法在解决三目标问题上体现了比其他算法更好的性能。最后,本文将MOEA/D、AMOPSO/D和FMOPSO/D在5个ZDT系列的测试函数上进行比较,进一步说明本算法性能的优越性。