粒子群优化算法(Particle Swarm Optimization Algorithm)是基于群智能的启发式算法，它是模仿鸟集体飞行觅食和鱼群的行为，通过集体之间的协作使得最终群体达到最优.虽然每个个体的行为路线是相当简单的，但是作为整个集体的行为却是很复杂的.该算法的优势在于算法原理简单并且容易实现，粒子群在应用于多目标解决问题时也存在一些缺点，容易陷入局部最优，后期的收敛速度较慢等问题.本文针对这些问题做了以下的研究:　　在处理多目标问题时，为了获得收敛效果较好并且均匀分布在前沿界面的一组解，本文提出了一种基于子区域搜索的多目标粒子群算法(MOPSO-PD)，将粒子群搜索的目标空间按权重划分成一系列子区域，并对子区域进行搜索，有效的避免了粒子群优化多目标问题时容易陷入局部最优的问题.分区域的搜索策略保证了解的分布性，同时也在很大程度上减少了计算量.另外本文将加权的极大极小策略适应值函数应用到粒子群处理多目标算法上，不必额外再使用一般多目标粒子群算法采用的适应网格及拥挤距离等辅助方法，使得算法简单高效;在迭代过程中为了避免计算量过大，本文设计了局部储存器及全局储存器用以储存选出的非劣解.最后我们用了7个测试函数来证明该方法的优越性，实验结果表明了本文所提算法能够有效的求得分布均匀的非劣解.　　构建了车辆路径问题的模型，在原有的单目标成本函数车辆路径模型上提出了一个考虑客户平均等待时间时间的多目标模型.所提模型与生活紧密结合，简单有效.将基于分区域的粒子群优化算法运用于车辆路径问题的求解中.实验结果表明本文的算法在求解这类多多目标问题上比MOPSO比较，更快速有效.