粒子群优化算法是一种典型的智能优化算法,其思想源于自然界中的鸟群觅食行为,该算法较其他智能算法具有简单易实现,收敛速度快,需要调整的参数少等优点。因此,自提出就受到诸多学者的青睐,成为了国际智能计算的研究热点之一,随之产生了各种各样的改进算法,并且广泛应用于经济金融、物流管理、网络安全、图像处理、数据挖掘等领域。本文首先整理了学者们对于粒子群优化算法的一些研究成果,然后在前人研究的基础上提出了若干改进的粒子群优化算法,并且应用于求解旅行商问题、路径规划问题、选址问题,主要研究内容如下:1.提出了两种基于参数改进的粒子群优化算法:一是惯性权重随着进化率自适应变化引导寻优,给出了基于进化率惯性权重策略的粒子群优化算法;二是种群规模随着进化率动态调整,给出了自适应种群规模的粒子群优化算法。数值仿真结果表明,这两种改进算法的寻优性能均优于基本粒子群优化算法。2.提出了三种混合粒子群优化算法:一是将细菌算法中的复制操作及迁移操作融入粒子群优化模型中,给出了菌群粒子群优化算法;二是将免疫算法中的浓度选择机制融入粒子群优化算法之中,提出了免疫粒子群优化算法;三是把混沌变异策略融入粒子群优化模型之中,给出了混沌粒子群优化算法。数值试验表明,这三种混合粒子群优化算法均有较强的全局寻优能力。3.将细菌粒子群优化算法应用于求解机器人路径规划问题,将免疫粒子群优化算法应用于求解物流中心选址问题,将混沌粒子群优化算法应用于求解旅行商问题,经仿真模拟都得到了良好的计算结果。