现实世界中的优化问题通常是多属性的，一般是对多个目标的同时优化。如一个国家的最优良性发展，涉及到经济的快速增长、社会秩序的稳定、环境的保护和改善等多个方面。在这里，经济快速增长和社会秩序稳定这两个优化目标是相辅相成的，互相促进的，通常称之为一致。而在多数情况下，被同时优化的多个目标之间是相互冲突的，如在企业生产活动中，产品质量与生产成本是两个相互冲突的目标。对于这些问题，要达到总目标的最优化，就需要对这些相互冲突的子目标进行综合考虑。所以多目标优化问题的最优解不能像单目标优化问题的最优解一样，可以进行清楚简单地定义，因为多目标优化问题的结果并不是单个解，而是对各个子目标的折衷结果，是一组均衡解。　　 群智能算法代表了一类模拟自然界生物系统智能特征的优化方法，它是一种新兴的搜索寻优技术。粒子群算法是受鸟类觅食行为的启发而提出的一种基于群体智能理论的新兴演化计算技术。粒子群算法模仿鸟类的觅食行为，将问题的搜索空间类比于鸟类的飞行空间，将每只鸟抽象为一个无质量无体积的粒子，用以表征问题的一个候选解，优化所需要寻找的最优解则等同于要寻找的食物。粒子群算法为每个粒子制定了类似于鸟类运动的简单行为规则，从而使整个粒子群的运动表现出与鸟类觅食类似的特性，能用于求解复杂的优化问题。本文对粒子群算法的基本原理进行了系统的学习和研究，对于算法的一些不足之处，做出了一定的改进。　　 目前粒子群算法中的速度更新公式大多采用的是Shi和Eberhart对最初版本做出修正后的公式。Shi和Eberhart研究发现，在粒子速度公式中，粒子速度向量由于具有随机性，且本身缺乏记忆的能力，有扩大搜索空间、探索新的搜索区域的趋势，使得粒子群算法具有全局优化的能力。但在考虑实际优化问题时，往往希望先采用全局搜索，使算法快收敛于某一区域，然后采用局部搜索来获得高精度的解。因此他们引入了一个至关重要的参数——惯性权值来控制和平衡算法的全局探索和局部改良能力。对于修正后的粒子群算法，若惯性权值较大，则算法具有较强的全局搜索能力；若惯性权值较小，则算法具有较强的局部搜索能力。　　 然而，Shi和Eberhart引入的惯性权值是采用线性方式，随着迭代的进行，从最大值减小到最小值。这种做法的缺点是，需要通过反复试验来确定惯性权值的最大、最小值以及最大迭代次数，且很难找到适应于不同问题的最佳值。本文考虑到粒子群算法在解空间寻优的过程本身是一个非线性运动过程，故引入了新的自适应惯性权值，来提高算法的全局寻优能力。　　 另外，针对粒子群算法易于陷入局部最优的问题，本文采用了基于混沌机制的局部搜索方法来增强算法的局部搜索能力。混沌优化技术是近年来国内外关注的学术热点和前沿课题，具有确定性和随机性的统一、有序性和无序性的统一的特性，能在定义域内按自身的规律不重复地遍历所有状态。将混沌优化思想引入到粒子群优化算法中，可以利用混沌的随机性、遍历性和规律性等特性首先对当前粒子群体中的最优粒子进行混沌寻优，然后把混沌寻优的结果随机替换粒子群体中的一个粒子。通过这种处理使得粒子群体的进化速度加快，从而改善了粒子群优化算法摆脱局部极值点的能力，提高了算法的收敛速度和精度。　　 在加入了自适应惯性权值和混沌搜索的改进后，本文首先在单目标优化问题上进行了算法测试。通过几个常用测试函数验证了改进算法的有效性。然后，本文又将改进的单目标粒子群算法拓展到多目标优化问题上，在拓展过程中，加入了遗传算法的交叉选择思想，来解决算法搜索精度不高，易早熟的问题。并采用Deb文献中的ZDT系列函数对改进的多目标粒子群算法进行了测试，并与NSGAⅡ、SPEA和PAES进行了对比，结果有明显的改善。　　 随着科学技术的进步与经济的发展，国际航天活动正在蓬勃开展，深空探测和近地卫星的轨道设计越来越受到人们的重视。其中行星际轨道设计与优化技术是实现深空探测任务的关键技术之一，卫星星座优化则是近地卫星轨道设计的主要方法。本文在算法的应用研究方面，选取航天领域的两个热点——轨道优化和星座优化。首先简要的介绍了两个热点涉及到的航天基础知识，然后对两者的应用模型进行了算法仿真，并对仿真结果进行了对比和分析。对于轨道优化，本文采用的是地球-火星双脉冲转移轨道模型；对于星座优化，本文采用的是郦苏丹文献中的低轨星座覆盖分析模型。