在近些年来,利用粒子群算法解决多目标优化问题成为学术界研究的热点,因为粒子群算法相对于进化算法来说,原理简单,参数少,不必使用交叉和变异等操作,给研究人员带来许多便利,然而多目标粒子群算法在使用的过程中也存在一定缺陷,在面对含有多个局部最优位置的情况,多目标粒子群算法的表现也不尽如人意,因此,寻找更加高效的算法成为研究人员最迫切的需求。为了进一步提高算法的多样性和收敛性,并且提高算法跳出局部最优的能力,本文在现有的多目标粒子群算法原理基础上,提出一种改进的多目标粒子群优化算法。本文首先详细介绍了多目标优化问题,并针对多目标问题的基本概念、设计目标、评价指标等方面做出详细介绍。随后介绍了基本粒子群优化算法,和经典的多目标粒子群优化算法进行对比,针对算法容易陷入局部最优的原因做出分析,引入基于竞争策略的粒子群算法。介绍了目前被广泛使用的线性递减惯性权重方法,指出此方法的优点和不足之处,即能够调整算法的全局多行提出改进的多样性检测策略来定量的反应种群的多样性变化,利用种群多样性评级指标动态改变粒子更新公式中的惯性权重值,令粒子惯性权重的变化不单纯采用随机取值的形式,而是针对种群当前的状态适应性的进行改变,与此同时,提出种群分解策略。种群分解策略思想受到传统的线性递减惯性权重方法的启发,在线性递减惯性权重方法中,种群迭代的早期,粒子的惯性权重采用比较大的值,目的是为了获取较强的算法多样性,而在算法迭代的后期,需要采用较小的惯性权重值,目的是为了获得较强的收敛性,增强粒子寻优的准确度。因此将种群分解策略和基于多样性检测的动态惯性权重策略相结合,将种群分解为两个种群,其中一个种群命名为多样性种群,采用随机惯性权重用以增强粒子的多样性,另一个种群命名为收敛性种群,通过种群多样性评价指标调整惯性权重大小,从而增强算法的收敛性。本文采取了一系列测试函数对算法的性能进行检验,通过与改进的多目标粒子群算法和传统的多目标进化算法在几种多样性评价指标上进行对比,得到关于算法性能的整体评价,获得了良好的效果,进一步验证了改进的算法在多样性和收敛性以及跳出局部最优位置能力上都有较好的性能。