粒子群优化算法(Particle Swarm Optimization PSO)是一种新兴的群体智能优化算法,具有分布式、协同合作性、自组织性和实现简单等特点,这使得该算法能够在全局信息缺乏时能够迅速地处理各种复杂问题,也为典型的复杂性问题的求解开辟了新的途径,但该算法在处理高维复杂问题时仍有相当大的可能陷入局部最优,如何通过保障Exploration和Exploitation之间的均衡来加强全局搜索能力,是该领域的研究热点和难点。从两个方面对PSO算法进行了改进,其一是基于孙俊等人的量子行为粒子群优化算法(Quantum-behaved Particle Swarm Optimization QPSO),提出了基于Takagi-Sugeno(TS)模糊推理的自适应量子行为粒子群优化算法(Adaptive Quantum-behaved Particle Swarm Optimization AQPSO),在惯性权重和种群多样性上对粒子群优化算法进行了改进。该算法利用群体分布和探索进程信息,由TS模糊推理动态地调整算法参数及其迭代方式,从而保证种群在更大的空间探索,减少陷入局部最优的概率。其二是基于Riget等人提出的attractive and repulsive PSO(ARPSO)算法,提出了动态地调整惯性权重的算法(Dynamic attractive and repulsive PSO DARPSO),该算法不是简单地用线性递减策略,而是根据粒子是收缩状态还是扩张状态而动态地调整惯性权重,同时根据TS模糊推理设计了一种新的粒子位置更新方式。若干标准测试函数仿真和威氏(Wilcoxon)符号秩检验的结果显示,AQPSO算法在处理多个局部最优解相差较小时效果较好,而DARPSO算法在处理全局最优解与局部最优解相差较大的问题时效果较好。同时,在处理复杂高维函数的优化问题上,本文提出的AQPSO算法、DARPSO算法,与QPSO算法、ARPSO算法以及PSO算法相比具有更好性能。