近些年来人们在实际生活中的广泛应用以及实际生产问题的影响,多目标优化问题在工程界和学术界受到了的关注日益增加,提出了许多处理问题的方法。目前智能优化算法的研究最热门,而且已经运用到了人们的生产生活中。学者受到鸟群捕食或者鱼群捕食行为的启发,提出了粒子群优化算法(Particle Swarm Optimization Algorithm-PSO)是一种典型的群体智能优化算法。PSO算法结构简单,易于实现,收敛速度快,引起了研究者的关注。它广泛用于解决优化问题以及实际的生产管理、电力控制等诸多问题。然而粒子群优化算法在解决诸如收敛精度低和解决方案多样性差等多目标优化问题时仍存在许多问题。为了克服这些问题,本文提出三个改进策略,并用于解决多目标优化问题本文涉及工作主要包括:1.基础的粒子群算法可能收敛到局部最优帕累托前沿。提出了一种自适应策略用于解决多目标粒子群优化算法收敛精度低和分布不均匀的问题。该策略能够提高算法收敛的速度和收敛的精度,显示修改三个控制参数(如,惯性权重和两个学习因子)能直接影响粒子群算法的收敛性能。因此,合理的设置这三个参数能够提高粒子群算法的性能。自适应地设置粒子群算法的三个控制参数(惯性权重和两个学习因子)用来平衡局部搜索和全局搜索。2.基于分解的更新策略虽然可以很好的维持种群的多样性,但当处理帕累托前沿面是退化或者不能完全覆盖单位超平面的问题时,解的多样性不能够得到很好的保持。为了克服这个问题,我们在这里设计了一个改进的更新策略来保持外部种群的质量。3.设计了一个选择策略来确定每个粒子的全局最优位置(gbest)和局部最优位置(pbest)帮助粒子群算子来执行全局和局部搜索。选择策略局部搜索和全局搜索的性能有非常重要的影响。因此,一个恰当的选择策略可以提高算法的性能。对于不同的目的,选择策略是彼此不相同的。在本文中,选择策略用来选择解产生子代,选择策略的主要目标是帮助交叉算子实施全局搜索和局部搜索。4.将SMPSOE算法应用于汽车防碰撞问题中,并于其他算法做对比,实验结果表明优于其他算法。通过经典的测试函数进行实验验证并与MPSOD和dMOPSO、MOEA/D.MOEA-DVA进行比较分析,SMPSOE算法在收敛性、多样性以及分布性方面,都有所提升。