1、多數(shù)的工程和科學(xué)問(wèn)題都屬于多目標(biāo)優(yōu)化問(wèn)題（Multi-objective Optimization Problem，MOP），即存在多個(gè)相互沖突的目標(biāo)，如何獲得多目標(biāo)優(yōu)化問(wèn)題的最優(yōu)解，是一個(gè)學(xué)術(shù)界和工程界關(guān)注的熱點(diǎn)問(wèn)題。不同與單目標(biāo)優(yōu)化問(wèn)題，多目標(biāo)優(yōu)化問(wèn)題的最優(yōu)解往往不止一個(gè)，而是由一系列非劣解組成的一個(gè)集合，這些解之間互不被對(duì)方支配。傳統(tǒng)的方法在解決多目標(biāo)優(yōu)化問(wèn)題時(shí)顯得捉襟見(jiàn)肘。隨著智能優(yōu)化算法的發(fā)展，越來(lái)越多的智能算法，進(jìn)化算法，群

2、智能算法等相繼應(yīng)用于多目標(biāo)優(yōu)化問(wèn)題的求解中，并取得了不錯(cuò)的效果。
　　本文主要完成了以下工作：
　　首先，介紹了多目標(biāo)優(yōu)化問(wèn)題的研究背景及意義，介紹了進(jìn)化算法在在多目標(biāo)優(yōu)化領(lǐng)域的研究現(xiàn)狀，發(fā)展歷程，以及未來(lái)的熱點(diǎn)研究方向。并重點(diǎn)講述了粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）的一些基本概念，基本思想，并介紹了粒子群優(yōu)化算法的特點(diǎn)。隨后又簡(jiǎn)述了近些年來(lái)粒子群優(yōu)化算法的發(fā)展歷程和研究方向。緊

3、接著就引入了多目標(biāo)粒子群優(yōu)化（Multi-objective Particle Swarm Optimization，MOPSO）的概念，并介紹了多目標(biāo)粒子群優(yōu)化算法的發(fā)展和研究現(xiàn)狀。同時(shí)也出于本文對(duì)比的需要，對(duì)多目標(biāo)優(yōu)化領(lǐng)域中經(jīng)典的NSGA-II算法進(jìn)行了簡(jiǎn)單的介紹。
　　然后介紹了綜合學(xué)習(xí)粒子群優(yōu)化算法（ Comprehensive Learning Particle Swarm Optimization，CLPSO）的主要思

4、想和原理，以及其相對(duì)于傳統(tǒng)粒子群優(yōu)化算法的優(yōu)勢(shì)。通過(guò)總結(jié)得出多目標(biāo)粒子群優(yōu)化算法的重點(diǎn)在于外部檔案的維護(hù)和全局最優(yōu)的選取。在多目標(biāo)綜合學(xué)習(xí)粒子群優(yōu)化算法（ Multi-objective Comprehensive Learning Particle Swarm Optimization，MOCLPSO）的基礎(chǔ)上，引入了一種快速排序策略（Fast-sorting）來(lái)對(duì)外部檔案進(jìn)行維護(hù)，以達(dá)到提高算法性能的目的，同時(shí)提高了算法運(yùn)行速度，縮

5、短了仿真時(shí)間。隨后在標(biāo)準(zhǔn)測(cè)試函數(shù)下首先分析了其參數(shù)針對(duì)不同問(wèn)題對(duì)算法的影響，最后通過(guò)和另兩種經(jīng)典算法進(jìn)行對(duì)比，并在標(biāo)準(zhǔn)測(cè)試函數(shù)上進(jìn)行測(cè)試對(duì)比，證明了新的策略的有效性。
　　在最后，選擇投資組合問(wèn)題來(lái)測(cè)試算法解決實(shí)際問(wèn)題的能力將 Markowitz均值-方差模型當(dāng)作一個(gè)多目標(biāo)問(wèn)題來(lái)進(jìn)行優(yōu)化，并使用加入快速排序策略的多目標(biāo)優(yōu)綜合學(xué)習(xí)粒子群優(yōu)化算法來(lái)對(duì)問(wèn)題進(jìn)行優(yōu)化。結(jié)果表明，改進(jìn)的算法所得到的非支配解集不僅能夠更接近真實(shí)的最優(yōu)曲面同時(shí)還