在科学研究和实际应用中,多目标优化问题是普遍存在的一类问题,而对其相关优化算法的研究具有重要的现实意义。由于粒子群优化算法(Particle Swarm Optimization,PSO)算法具有原理简单、参数少、并行性效率高和易于实现等特性而被广泛应用到各领域,且PSO算法是基于群体智慧搜索的算法可以并行的勘探多个满足条件的可行解,对于多目标优化问题的求解更加适用。速度受限的多目标粒子群优化(Speed-constrained Multi-objective Particle Swarm Optization,SMPSO)算法是对粒子的速度进行收缩以及约束来保证稳定运动的群智能优化算法。因此,为了提高算法运行的效率以及求解的质量,本文针对SMPSO算法进行了相关改进及并行化的研究,主要研究内容如下:(1)本文实现了SMPSO算法基于消息传递接口MPI的主从模式的并行化,提出了基于MPI的速度受限的多目标粒子群算法(M-SMPSO)。首先由主进程将整个种群按照所给定的从进程数或者从节点数等均匀的分为多个子种群,由此实现算法的并行化;然后,综合考虑了每个从进程的子群体所维护外部档案的非支配解的优劣,每个从进程将各自的部分非支配解共享给主进程,主进程再根据其的分布形态合理的选择全局最优,并广播给各从进程,每个从进程根据其值进行下一步进化,以此增强粒子在进化过程中解的多样性和精度;最后,将M-SMPSO与其它经典的算法进行分析比较,实验结果表明本文算法在多目标优化问题求解中在综合性能指标整体上具有更好的性能。(2)为了进一步提高解的分布的多样性及收敛速度,本文提出了基于MPI反向学习SMPSO算法(MO-SMPSO)。对每个从进程中的子种群所维护的外部档案中的非支配解进行反向学习,并对每个从进程中的粒子的速度更新公式进行改进,增加了向外部档案非支配解的学习。从反映不同侧重点的性能指标值中分析了SMPSO、M-SMPSO与MO-SMPSO算法的收敛性及分布性,实验结果表明本文所提MO-SMPSO算法在反映收敛性性能指标上具有更高的性能,在分布性性能指标上也具有一定的优势。(3)为提升算法的执行效率,本文提出了基于MPI和OpenMP混合编程的反向学习SMPSO算法(MOM-SMPSO)。利用MPI实现进程间的信息通讯,同时利用OpenMP实现进程内部线程级的并行。充分的挖掘了两级并行的计算的能力。最后,实验验证了混合编程比纯MPI编程的算法具有更优的效率。