粒子群优化(Particle Swarm Optimization, PSO)算法是近年来发展起来的一种基于搜索策略的群智能算法。该算法基于这样的思想:群体中的各个粒子能够从其自身过去的经历以及群体中其它粒子的经历得到有效的信息,从而修正自己的搜索路径。由于该算法具有简单有效的特点,自从提出后就得到了广泛的关注。但现阶段对PSO算法的研究还不够完善,在以下两方面均鲜有讨论:一方面,将粒子群算法运用于多目标优化时如何确定各目标的适应值之间的关系。特别是将其应用于高维多目标优化问题上的研究几乎没有见到。另一方面,在现实应用中的问题大多是随时间等外部因素而改变的,如何改进传统的PSO算法,使其适用于动态优化问题也具有非常重大的意义。本文针对多目标优化问题和动态优化问题对粒子群算法进行了相应的改进,提出了一种新的适合于求解高维多目标优化的理想灰色粒子群算法(Ideal Gray Particle Swarm Optimization, IGPSO)和适用于求解动态单目标优化的基于预估最优点的粒子群算法(Presuppose Best Particle Swarm Optimization, PBPSO)。基于工程运用中动态的多目标优化问题往往是最常见也最复杂的一类问题,本文最后将理想灰色粒子群算法和多种群思想结合起来,提出了理想灰色粒子多种群算法(IGPSOS)。通过相关实验的测试,本文提出的三种算法针对各自的具体问题都表现出了良好的性能。理想灰色粒子群算法兼具分析各非劣解数据曲线与理想解数据曲线之间的态势变化和曲线几何形状的相似性,以及体现各非劣解数据曲线与理想解数据曲线位置上的关系的特点。基于预估最优点的粒子群算法在环境变化不大的情况下能够有效地预估最优点的大概范围,从而加快了相应搜索速度,在环境变化较大的情况下也有不错的表现。理想灰色粒子多种群算法利用测试函数仿真,测试结果也反映出该改进算法性能较好,能很好地求解动态多目标优化问题。