自动配棉是将具有不同参数属性的棉批按不同比例进行混合形成配棉方案,找到满足配棉约束条件的最佳配棉方案的过程。自动配棉问题是一个多约束条件的组合优化问题,计算复杂度相当高,从计算理论的角度上来说属于NP难问题。自动配棉问题的难点在于其约束条件的复杂性。如何在满足约束条件的情况下找到最优解是其区别与一般组合优化问题的关键之处。粒子群优化(Particle Swarm Optimization, PSO)算法是一种新型的群体智能算法,由Eberhart R.C博士和Kennedy J博士于1995年提出。PSO算法来源于对鸟群捕食行为的研究,是近年来发展起来的一种新的进化算法。系统初始化为一组随机解,通过迭代搜寻最优值。目前该算法已广泛应用于函数优化、神经网络训练、数据挖掘、模糊系统控制以及其他的应用领域。本文首先对多约束条件下的配棉问题进行分析,建立了自动配棉问题的数学模型。然后分析了一些在组合优化问题中常用的智能算法,包括遗传算法、蚁群算法以及粒子群算法。阐述了这三种算法的基本原理及其特点。根据自动配棉问题的特点,提出采用粒子群算法求解自动配棉问题。最后,本文研究实现了自动配棉的基本粒子群算法,并通过实验结果分析,提出了两种对粒子群算法的改进方案：一种是将遗传算法与粒子群算法进行融合,另一种是采用动态参数和模拟退火思想的粒子群算法并加以实现。通过对两者进行比较实验得出结论：两种算法在收敛性、运算效率、解的优劣性等性能上都有了明显提高,但两者在某些方面也各有所长,具体说来,当问题规模较小的时候后者的表现相对较好,而随着问题规模的扩大,后者的优势逐渐显现出来。