现如今,工业界以及科学研究中越来越多的多目标优化问题已经出现。粒子群优化算法(PSO)由于其简单易实现、较低的计算复杂度以及较高的运行效率等优点,已经被大量的研究者运用于解决各类多目标优化问题。在解决多目标优化问题时,为了获得一组更准确以及多样性更好的解集,许多多目标粒子群优化算法(MOPSO)以及它们的变体已经被相继提出。然而,一旦处理那些帕累托前沿面较为复杂的多目标优化问题时,现在一些已有的多目标粒子群优化算法因为全局寻优能力较弱的缘故,在复杂的问题上大多都容易陷入局部最优,导致算法性能较差。莱维飞行策略是一种符合莱维分布的随机飞行,它能提高粒子的全局寻优能力并使粒子能在陷入局部最优时以较大的概率跳出局部最优。因此,本文将莱维飞行策略引入多目标PSO,以解决多目标基准测试函数上的优化问题和基因选择过程中的优化问题,针对这两类不同的问题,提出了两种改进的MOPSO算法。本文的主要工作如下:(1)为了解决传统多目标优化算法在较为复杂的多目标测试函数上容易陷入局部最优,且得到的最优解多样性较差的问题,提出一种基于莱维飞行和双存档机制的多目标粒子群优化算法(MOPSO-LFDA)。一方面,在粒子的迭代更新过程中,将莱维飞行策略和粒子群优化算法结合,来避免算法陷入局部最优。通过扩大粒子的搜索范围,莱维飞行可以提高粒子的全局寻优能力并使它们能以较高的概率跳出局部最优。另一方面,在维护外部存档时,除了主存档之外,一个额外的辅存档将会被创建用来缓解传统的外部存档维护方法可能导致的粒子的误删除现象。通过提出的双存档机制,更多有用的解将会被保留下来,因此得到的解集的多样性也就提高了。此外,为了加快种群的收敛速度,一个新颖的领导粒子选择策略也被提出,这个策略在迭代过程中选择那些既接近于帕累托前沿面又拥有较大拥挤距离的解作为领导粒子。实验结果表明,本文提出的MOPSO-LFDA算法在基准测试函数上的收敛性和多样性均优于现有的多目标优化算法。(2)为了解决基于传统MOPSO的基因选择方法在搜索最优基因子集时,只关注于非支配解的完全搜索,没有针对性的问题,导致选出的基因子集在分类器上的性能不好,同时选出的基因子集仍存在着一些冗余基因,本文提出一种基于莱维飞行和偏好信息的多目标粒子群优化算法(PC-MOPSO-LFDA)的基因选择方法。首先,为了降低优化问题的维度,分类信息指数这一方法被用来对原始的基因表达谱数据集进行初筛选,并以初筛选后剩余的基因数作为待优化问题的维度对粒子进行编码,粒子的每一维均代表一个基因特征;然后将每次所选的基因在极限学习机(ELM)上的分类准确率和基因的规模设置为适应度函数;接着又将决策者的偏好信息加入到领导粒子的选择策略中,以使算法选出的领导粒子更能满足实际优化问题的需要,进而引导种群朝着更优区域的方向进行搜索。同时将一种基于相关系数的变异方法加入到算法中,以降低所选的基因子集的冗余度。最后,把提出的PC-MOPSO-LFDA算法选到的基因子集放到极限学习机这一分类器上,来验证所选基因子集的分类准确率。通过实验表明,所提出的方法在五个基因表达谱数据集集上的结果与现有的几个基因选择算法相比,有一定的竞争力。