多目标优化问题具有多个相互矛盾、相互冲突的目标,一般不能使所有目标同时达到最优。传统的多目标优化方法较容易受到问题自身的特性以及人们主观因素的影响,而进化算法能有效地解决这些问题：一方面由于进化算法具有较强的全局搜索能力,此外,基于种群机制进化算法通过一次运行便可以很容易地得到一组不同的解决方案集,并在保持解的均匀分布方面具有较大优势,大量文献已经证明了多目标进化算法的有效性。但许多进化算法在处理某些多目标优化问题时容易陷入局部最优而过早收敛,尤其是遇到较复杂的多目标优化问题,如问题具有多模态函数、大量决策变量、多个局部Pareto优化前沿、不连续或高维搜索空间等。今天人们需要面对的多目标优化问题更加多样、更加复杂,对优化方法在精确性、稳定性、鲁棒性、可应用性和高效性等方面提出了更高的要求。本文主要研究粒子群优化(PSO)算法在解决多目标优化问题时如何避免过早收敛,获得高准确度和高效率,通过引入极值优化(EO)算法,提出了一种混合(PSO-EO)多目标优化算法,通过一系列数值无约束标准测试问题验证了该算法的性能,并通过引入相关约束处理、离散变量算子等将混合算法应用于实际工程设计优化问题,取得了较好的仿真效果,最后作者将混合(PSO-EO)算法应用于规模生产的热电厂多锅炉系统负荷分配优化,并研发了相关软件,通过在线试运行,取得了较好的效果。论文的具体内容主要包括以下几个方面：(1)在简要介绍进化计算的基础上,对多目标优化算法研究现状进行了综述,并重点分析了多目标进化算法存在的不足。(2)为了避免粒子群优化算法过早收敛,提高优化效率,本文提出了一种可用于求解多目标优化问题的PSO-EO算法,该算法依赖于PSO算法的快速而强大的搜索能力,并借助EO算法较强的跳出局部最优的能力,以确保了混合算法的优化速度和搜索能力。通过对一系列数值无约束标准测试问题进行了仿真研究,并与当前流行的优化算法进行对比,证明了该算法的有效性、稳定性以及解多样性的保持。(3)实际工程领域的优化问题通常带有实际约束条件,并经常伴有离散的决策变量,本文研究相关约束处理、离散变量算子和评价指标,将其引入算法,通过对一些实际工程优化问题进行仿真,证实了混合算法具有较好的收敛性和解多样性的保持。(4)面向电力工业多锅炉系统复杂的生产过程,结合作者承担的热电厂综合节能减排项目,提出基于热电厂锅炉能效监测评估的“多锅炉系统中短期需求负荷预测与负荷分配调度”集成系统,基于锅炉燃烧系统能量平衡实现能效和排放的监测和评价,基于BP神经网络模型实现需求负荷的中短期预测,并基于负荷预测结果建立多锅炉系统的负荷分配多目标优化问题,采用本文提出的混合算法解决,为热电厂的操作提供决策参考。该研究已形成一套集成系统软件,于2010年4月通过了浙江省软件评测中心的软件测评((2010)电检软字5262号),并利用项目示范东莞某热电厂的实际生产数据进行了离线测试和在线试运行,取得了较好的效果。