解来引导种群中其他粒子的飞行,使粒子能够获得有效的飞行经验。第二个问题是如何平衡算法全局探索与局部开发的能力,使算法摆脱局部极值的干扰。第三个问题是如何控制外部存档的规模,提高算法的计算效率,节约计算成本。基于上述关键问题,本文的主要研究工作如下:(1)为了提高算法的收敛精度,本文提出了一种基于拥挤距离的多目标粒子群优化算法(CDMOPSO)。该算法提出了一种比例分配策略来选择全局学习样本,使种群获得多样化的学习信息。同时,为了维护外部存档的规模,该算法提出了一种动态的外部存档维护策略,该策略在控制外部存档规模的同时也保证了种群良好的分布性。(2)为了使粒子能够灵活的调节自身的飞行速度,跳出局部最优。本文提出了一种基于混合学习策略的模糊多目标粒子群优化算法(HFMOPSO)。该算法,通过计算当前种群中粒子的拥挤程度来调节粒子的飞行速度。在HFMOPSO中,为了提高外部存档中候选解的质量,提出了一种混合学习策略来更新外部存档中的非劣解,为种群中的粒子提供更高质量的全局学习样本。(3)为了使算法能够灵活的调节全局探索与局部开发的能力。本文提出了一种具有Cauchy―Guassian动态变异的多目标粒子群优化算法(MOPSO-CGDM)。在MOPSO-CGDM中,通过线性递减的策略来调整粒子的位置,使种群在搜索的初期能够更好的探索整个目标空间;在搜索的后期能够更好的开发局部的解区域,以此来调节全局探索与局部开发的能力,避免算法陷入到局部最优。同时,该算法利用了Cauchy变异和Guassian变异对粒子的位置进行交替变异,以此来调节粒子在目标空间中的探索能力。本文将提出的算法在同一实验环境下与其他的多目标优化算法相比较,提出的算法都展现出了良好的性能。