多目标优化问题是工程与科学研究的重要类别,其中存在多个彼此冲突且有联系的优化方向,如何在有限的时间或资源代价下获得最优解是研究的核心问题。多目标优化问题寻求同时达到各个方向的最优解是困难的,通常经过各目标之间的权衡和折中,得到的问题最优解集合,或者是无穷大的Pareto集。目前提出的多目标优化问题解决方案基本采用进化智能优化手段。本文详细介绍了粒子群优化算法(PSO)和经典的局部优化禁忌算法(TS),在这两种算法的基础上提出了禁忌-粒子群算法T-PSOA (Tabu-Particle Swarm Optimization Algorithm)。一方面,算法在粒子群进化过程后一阶段融入了禁忌算法的禁忌运算,它通过局部搜索方法改进第一阶段所取得解的质量。同时引入精英概率的概念,当禁忌运算产生新解好于原有解则代替它,否则根据精英概率的大小,随机选择粒子的一定数量的维度或分量复制新解的相应部分,以维持目标空间的多样性。另一方面,算法提出了惯性权重随种群多样性测度变化而自适应变化的策略,改进了原始粒子群算法的操作参数,提高算法对周围环境变化的适应性。种群多样性的测度可以由粒子群的多样性和集中度指标给出。最后以多目标0-1背包问题为例验证改进禁忌-粒子群算法较之原始算法在性能上的优势,并且通过实例对改进的粒子群算法中不同的参数做了研究。