群集是由大量自治个体组成的集合,通过个体的局部感知和反应行为,使整体呈现出涌现行为(如自组织现象),通常个体的感知行为和反应行为以及群体所表现出的自组织行为被认为是群集智能的体现。在无集中控制且缺少全局信息的条件下,群集智能为解决复杂的分布式问题提供了一种新的途径。自然界以及人工系统中存在着大量的自组织现象,针对群体的自组织现象以及社会行为而提出的群集智能计算成为了一个新的研究领域。近年来,在群集智能计算领域,已经提出了多种社会性的仿真模型来解释群体的自组织现象,受这些仿真模型的启发而提出来的智能优化算法有蚁群系统(Ant System, AS)、粒子群优化算法(Particle Swarm Optimization, PSO)、人工鱼群算法(Artificial Fish Swarm Search Algorithm, AFSA)等,目前这些智能算法已经被用于解决各种优化问题。虽然现有的很多智能优化算法都得到了广泛的应用,但是这些算方法,如PSO在求解各种不同的问题时,总会遇到全局或者局部搜索能力差、收敛速度慢以及易出现收敛早熟、搜索停滞等问题。事实上目前还没有一个算法能够满足人们的需要。"no free lunch"理论也已证明不可能存在一个算法能够解决所有的问题。因此改进已有的算法或提出基于不同机制的算法,用于解决不同的问题是非常有必要且很有意义的科研课题。Helbing等人提出的社会力模型(Social Force Model)用力的方法解释了个体之间以及个体与建筑结构之间的非线性作用。在社会力模型中,个体的实际行为受个体的心理期望、个体间相互作用以及建筑结构(如门、墙)三方面因素的影响。社会力模型用期望力来反映个体对目标(或者出口)的期望作用,用排斥力来解释人群个体之间保持一定距离的原因,个体对墙的心理作用也用个体与墙之间的排斥力来反映。受社会力模型的启发,本文提出了一种基于社会力模型的群体优化算法(Swarm Optimization algorithm based on Social Force model, SFSO),并在此算法基础上形成了MO-SFSO (Multi-Objective SFSO)算法,用于求解多目标函数优化问题。对SFSO算法的测试结果表明算法具有如下特点：1)在求解多模态函数时能够并行对多个全局最优解进行搜索并最终收敛到多个全局最优解；2)算法的这种搜索机制能够使种群的多样性保持在一个较好的水平,防止算法过早陷入局部最优；3)SFSO算法的搜索机制使算法在处理不同类型的优化问题时,具有很强的鲁棒性。PSO算法不能同时收敛于多个全局最优解,而SFSO算法能够克服此缺点主要在于SFSO能够在全局开发和局部搜索之间能够做到很好的平衡。SFSO的搜索机制包括以下几方面内容：1)在算法的开发阶段,行人在运动过程中,.被划分为自由个体和非自由个体。自由个体的随机搜索策略一定程度上能够增强SFSO算法的全局搜索能力。受目标的吸引和周围个体的排斥作用,非自由个体的搜索行为既具有确定性又有随机性的特点,而且在搜索的过程中由于排斥力的作用一定程度上避免了个体间的聚集,也增强了算法搜索能力。2)在算法的开采阶段,个体间通过协作行为能够加速对最优解的收敛。跟SFSO算法一致,MO-SFSO算法的搜索机制也是通过社会力来驱动行人,从而在目标区域内进行搜索来寻找Pareto最优解集。典型多目标测试函数的测试结果表明,MO-SFSO算法跟NSGA-Ⅱ的算法性能相差不大,也具有收敛性高,鲁棒性强的优点,获得的非支配解集的分布性较好,其主要原因在于MO-SFSO算法具有并行搜索以及种群多样性能够保持一定水平等特点。