随着社会的不断进步、发展,优化问题逐渐受到越来越多的关注,多目标优化问题是日常生活中常见的一种优化问题,在科学研究领域和工程应用中,都有着较为重要的意义。进化算法和群体智能优化算法是解决多目标优化问题的两种重要智能优化算法。本文分别从权重调整机制和种群更新策略方面,分别针对两种重要算法中的代表,基于分解的多目标进化算法和人工蜂群算法做出了改进,并结合相应多目标优化问题,利用Matlab软件对提出的新算法进行了仿真实验,本文的主要内容可以总结为以下两点:(1)针对具有复杂几何关系的帕拉托前沿的多目标优化问题提出了一种基于分解的具有自适应权重向量调整机制的多目标进化算法(MOEA/D-BPO)。MOEA/D-BPO算法中主要包括:精英个体机制、档案馆机制和自适应权重向量调整策略。首先利用切比雪夫分解法对多目标问题进行分解,随后进行种群更新,产生新的子代群体,对精英个体群体和档案馆参考点进行更新,最后当种群满足自适应权重向量调整的条件时,对权重向量集合进行更新、调整。通过对比实验,得出改进的MOEA/D-BPO算法在解决类型目标问题上具有较好的表现。(2)针对复杂数值问题提出了一种基于辅助的多亚种群同时优化的人工蜂群算法(SAMSABC)。算法的主要组成部分是K均值聚类算法、正交设计法、改进的个体更新机制和种群中个体的适应度机制。首先对种群进行K均值聚类,达到重聚类周期时,对整个种群进行重聚类,随后找出每个亚种群中的最佳个体和距离最佳个体最近的个体,利用正交设计法和适应度函数计算出可能的潜在最佳位置,最后利用改进的个体更新机制和可能的潜在最佳位置对个体进行更新。通过对比实验,得出改进的SAMSABC算法在目标类型问题上具有较好的表现。