微粒群算法最早是在1995年由James Kennedy和Russell Eberhart共同提出的,其基本思想是受对鸟群行为进行建模和仿真的研究结果启发。微粒群优化算法是一种基于种群搜索策略的自适应随机算法,是进化计算领域中的一个新的分支。它与其他进化算法一样,对优化的目标函数没有连续、可微等要求,且算法的结果不依赖于初值的选取,具有很强的普遍适用性,此外,它的原理简单清晰、易于编程实现、收敛速度较快、没有很多参数需要调整。作为一种新的进化算法,PSO算法己被证明是一种有效的全局优化方法,已广泛应用于函数优化、神经网络、模糊系统控制等诸多领域。本文在对具有动态群体规模的智能算法进行综述、分析的基础上,针对标准微粒群算法求解高维多峰函数优化问题时,容易出现的早熟收敛和收敛速度慢等问题,提出了一种基于遗传算法思想的具有动态群体规模的混合微粒群算法(a Hybrid PSO with Varying Population Size——VPPSO),给出了算法的基本思想和算法流程,对种群规模动态调整过程中涉及到的各种算子和微粒保留概率的计算方法进行了探讨。并通过对四个典型测试函数的仿真实验,分析了参数对算法性能的影响程度,验证了算法的有效性。然后通过对VPPSO算法存在的缺陷分析,提出了引入培育期的VPPSO算法,以控制种群规模的频繁变化。同时对VPPSO算法的杂交方法进行了改进,以提高种群多样性,从而使算法的收敛速度和全局收敛性能得到提高。最后通过仿真实验,验证了算法的有效性。