粒子群优化算法是一种新型的优化算法。因其概念简单，参数较少，易于实现，自提出以来受到国内外研究者的高度重视并被广泛应用于许多领域。但粒子群算法无论是理论还是实践都尚未成熟，由于基本粒子群算法随机性较强，使其存在易陷入局部最优导致的收敛变慢、精度低等问题。因此寻求求解实际问题的更加有效的粒子群改进算法是很有意义的。论文主要探讨了一种粒子群算法与遗传算法的混合策略，并加入灾变操作，解决旅行商问题，并用改进的粒子群算法对无线网络拓扑优化模型进行了优化。　　 首先基于对粒子群优化算法原理的分析，论文对粒子群遗传算法混合策略进行了探讨。该算法的主要特点是：在进行粒子群优化操作前加入遗传算法的选择交叉操作，保持了群体粒子的多样性，提高了算法的性能，同时针对粒子群优化算法容易陷入局部最优值的缺陷，加入灾变操作，即当算法达到所设置的灾变条件时，保留一个全局最优解，其他种群重新初始化。通过三个不同类型的基准函数实例的计算，验证了混合算法比标准粒子群算法的性能更好。　　 无线网络拓扑优化问题比较复杂，论文尝试将粒子群算法应用到无线网络拓扑优化问题中。针对无线网络中传感器的拓扑位置，建立了一个简单的优化模型，并根据模型对标准粒子群优化算法的部分操作进行了改进，完成了对模型的优化。　　 旅行商问题是组合优化问题中最为著名的典型的不确定多项式难题。许多实际问题都可以转化为旅行商问题。因此，各种求旅行商问题近似解的优化算法应运而生。论文将带交叉操作的粒子群遗传混合算法以及带灾变操作的粒子群遗传混合算法应用到旅行商问题的求解中，针对旅行商问题设计了相关操作，并将计算结果与常用的惯性权值递减方法作了比较，结果表明混合策略算法性能更好。