大量实际应用问题最后可以转化为多目标优化问题，而粒子群优化因为其概念简单、实现容易、收敛快速被广泛地用来求解。大量多目标优化算法是为进化算法设计的，没有针对粒子群优化的特性。因此我们分析多目标粒子群优化的收敛机制，研究决策变量间的关系、最优解集在决策变量上的投影、决策向量间的关系与收敛稳定性、收敛类型的关系，找出阻碍算法收敛到优解和保存优解、以及造成算法收敛失败或早熟的特征。多目标粒子群优化面临两大困难，引导粒子向Pareto前沿收敛和维护所得解的多样性，因此产生了大量的改进。但这些改进缺乏系统化分析，所以为新问题设计合适的算法仍然很困难。通过借鉴人群行为，我们的人群框架系统化地总结了这些改进，将它们抽取为可重用的策略，并依据它们的优化机制，归类到模块中。各模块中的策略的理论和实验上的分析和比较，帮助我们为模块选择合适的策略。不同模块的策略之间关联关系的分析产生了策略选择的模块顺序。算法设计变得大为简化。对于多目标问题，Pareto支配定义的两个解之间可能无法比较，这会降低算法的收敛速度和收敛精度，但现有算法对此缺乏有效处理。因此我们提出基于维更新的多目标粒子群优化算法，即每个决策变量更新后立刻更新目标向量。单独考虑每个变量对目标向量的影响可以降低无法比较关系出现的概率，从而提高算法性能。此外，我们提出最佳替换、基因交换来加速收敛，不再使用个体最优因为算法已经可以提供足够的多样性，简化了网格缩减从而减少计算代价。决策空间的高维会影响多目标粒子群优化的性能，现有分解方法的性能难以让人满意。因此我们提出了基于可分性和类型的多目标粒子群优化算法。学习决策变量的特征，可分的距离变量进行单独优化，可分的位置或混合变量进行单独更新，不可分的变量进行整体优化和更新。按位置变量、混合变量和距离变量的次序，减少扰动的分配。此外，我们采用了环型拓扑结构来处理多峰，提出了镜像变换来克服欺诈，修改了适应性网格来减少计算时间，改进了全局最优选择来解决非均匀。综上所述，我们的研究有益于设计出性能更优的多目标粒子群优化算法。