伴随着科技的发展,人类所遇到的优化问题变得越来越复杂,传统优化算法已经难以求解,而一种新兴的优化方法——智能优化算法,则成为解决此类问题有效的技术手段,并得到了深入研究和广泛应用。粒子群算法作为新兴的智能优化算法之一,因其收敛速度快,结构简单而备受关注。但由于相关理论还不完全成熟,算法的性能还存在一些不足,尤其在多目标优化问题中,解的分布性较差、易陷入局部最优。因此,为提高多目标粒子群算法的求解性能,文中利用Pareto占优思想,采取多种策略以改进粒子群的寻优机制:首先通过引入遗传算法中具有全局搜索性能的交叉组织形式,构建种群粒子的异构学习模式,使种群中的粒子能够与精英粒子直接进行信息交换,避免粒子学习行为的单一性。其次,提出粒子个体最优的精英解更新策略,并设置个体学习强化因子,在满足个体最优更新条件时对粒子的“自我认知”行为进行强化,以提高粒子群的局部探索能力。然后,引入一种具有变异性质的外部档案冗余集机制,其作用一方面对种群形成干扰,避免种群陷入局部最优;另一方面可通过变异所产生的粒子,重新进行档案维护,以提高精英解集的多样性。最后,通过仿真实验证明,这种多策略改进的粒子群算法在多目标优化问题中表现出良好的性能。本文将改进的粒子群算法应用于冷连轧轧制规程优化中,通过分析轧制过程数学模型,构建冷连轧轧制规程多目标优化函数,采用改进粒子群算法对其进行优化,从而快速寻优规程目标Pareto前沿,为决策者做出最合理的决策提供一定参考。