在现实生活中面临的大多数决策和规划问题常常受多个因素影响，这些因素之间有可能相互冲突，但又需要通盘考虑，这就类似于对一个多目标优化问题求解。目前，智能优化算法在解决多目标优化问题方面取得了很大的进展，但仍然存在很多一些不足。例如，多目标优化算法面对一些复杂问题时，会出现过早收敛和解分布不均的情况，对于不同的多目标问题，解决效果常常参差不齐。本文在对多目标优化问题做了大量深入研究的基础上，对多目标粒子群优化算法的性能和应用方面进行了探索。主要内容包括：
　　(1)针对基于Pareto支配方法的多目标优化算法出现的收敛性不足和解的分布不均的问题，本文提出了一种将粒子速度约束思想和非支配解多样性信息结合的多目标粒子群优化算法。首先，在粒子速度更新过程中引入速度约束因子并融入新的速度引导方向，对粒子速度进行调节，满足粒子前期的全局搜索能力和后期的局部开发能力的需要；然后利用基于精英库的非支配解多样性评估机制更新外部存档，保证非支配解分布的多样性；最终利用外部档案中的非支配解的分布情况，选择适合当前状态下外部档案中最优秀精英对粒子进行引导，提高算法优化效率。
　　(2)粒子群优化算法面对一些复杂问题时会发生早熟现象，这是由于没有充分利用种群的搜索信息来指导搜索方向。粒子群算法中粒子寻优过程受到全局最优和个体最优的双重影响，有快速收敛到全局最佳位置的趋势，这样一来缺乏多样性，可能导致无法跳出局部最优。为了避免这种情况的出现，本文提出了一种基于精英策略的全局多样性和跨代竞争引导多目标粒子群优化算法。基于竞争策略思想，设计了跨代精英竞争策略引导粒子向Pareto前沿靠近。引入基于全局多样性的高效精英引导机制，通过评估当前算法多样性好坏选取高效精英引导粒子组成新的速度引导方向，与竞争后的精英共同对粒子进行引导。
　　(3)本文基于火星探测器制动捕获过程中受到的约束条件，对多目标粒子群优化算法的应用进行了探索。首先，将探测器制动捕获过程中面临的燃料消耗和轨道精度两个冲突因素作为目标构成了多目标优化问题。然后，利用本文提出的两种改进后的多目标粒子群算法对该问题进行优化。仿真结果证明，优化后的火星探测器既能够达到目标轨道精度要求，又使推进燃料消耗量降至相对最低。