最近几年,粒子群算法作为解决多目标问题的优化算法而迅速发展起来,该算法已被成功应用在工程实践、数据挖掘、神经网络训练及其它领域。粒子群优化是一种新兴的基于群体智能的启发式全局搜索算法,粒子群优化算法通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。粒子群算法具有易理解、易实现、全局搜索能力强等特点,倍受科学与工程领域的广泛关注,已经成为发展最快的智能优化算法之一。本文针对粒子群算法中算法后期易陷入局部最优、粒子收敛精度不高等问题,通过实验分析处理,从速度更新公式以及参数选择入手,尽量弥补粒子群算法不足。针对以上问题进行研究,主要包含以下两方面工作:(1)针对粒子群优化算法的基本原理,分析了其特点。论文中围绕粒子群优化算法的原理、特点、参数设置与应用等方面进行全面综述,重点利用单因子方差分析方法,分析了粒群优化算法中的惯性权值,加速因子的设置对算法基本性能的影响,给出算法中的经验参数设置。(2)针对现有粒子群算法局部最优、粒子收敛精度不高等问题,论文通过多组对比实验,选择两个平均标准收敛性(GD)和多样性(SP),采用和遗传算法改进优化的多目标算法(GamultiObj)以及传统的粒子群多目标算法MOPSO对比,通过分析、仿真实验,改进了粒子群多目标算法(myMOPSO)性能。