混合算法融合了单个元启发式算法的优势特性。实践证明，这类算法能够为多目标优化问题寻得高质量解决方案。架构为开发新的混合算法以求解各类优化问题提供了通用功能与特性。基于智能体智能与多智能体概念的架构（例如包含学习与合作机制）能够为元启发式混合带来多重优势。然而，目前缺乏能充分运用这些概念实现多目标混合架构的相关研究。本文研究了一种受粒子群优化思想启发、名为MO-MAHM的多智能体架构。在该架构中，粒子是能够从过往经验中学习、在搜索空间中移动并寻求高质量解决方案的智能体。本研究的主要贡献在于探讨MO-MAHM在混合元启发式算法以求解含两个及以上目标的组合优化问题方面的潜力。我们研究了机器学习方法在支持智能体学习方面的优势，并提出了一种新颖的速度算子来引导智能体在搜索空间中的移动。该速度算子采用路径重联技术，无需聚合函数即可分解目标空间。本研究的另一贡献是对现有多目标路径重联技术进行了系统性综述。针对现有文献中缺乏高效的多目标与超多目标路径重联技术的现状，我们提出了一种基于分解的新方法，称为MOPR/D。实验涉及三种不同结构的组合优化问题（目标函数最多达五个）：0/1多维背包问题、二次分配问题及生成树问题。我们将MO-MAHM与现有混合方法（如模因算法和超启发式算法）进行比较。统计检验表明，该架构在近似解集质量与解多样性方面均展现出具有竞争力的结果。

第二章回顾了多目标优化的基础概念。第三章探讨了多目标混合的基础理论与相关研究。第四章介绍了BiST的初步实施方案并报告实验结果。第五章研究了多目标背景下的路径重联元启发式算法，提出MOPR/D方法并汇报实验结果。第六章研究了基于学习自动机的学习策略，提出新型基于分解的速度算子，给出了面向MoQAP问题的MO-MAHM实现方案并展示实验结果。第七章为结论部分。附录A与B分别详述第四、五章中的实验结果。附录C详解HV与IGD评价指标。附录D列举了本研究所用的多目标元启发式算法。附录E说明了实验所用的基准算例详情。