本文介绍了粒子群算法、遗传算法的发展历程和国内外研究现状,并对算法的基本原理和基本模型以及主要改进模型进行了阐述；接下来对本文所要求解的实际问题—工业下料问题的背景进行叙述,着重对一维下料问题和矩形排样问题进行研究和分析,并用本文提出的改进的粒子群优化算法对上述两个问题进行分析求解,最后通过仿真实验验证了算法在求解工业下料问题上的有效性。粒子群优化算法(PSO)是进化计算技术在群智能计算领域中的很好应用和拓展,其主要思想来自于仿生学领域。种群个体通过互相协作、信息共享而使群体整体体现出高度智能性。受鸟类觅食的行为启发,结合人类的行为模式和认知方式,Kennedy和Eberhart于1995年提出了PSO算法。算法执行过程中,群体中每个粒子不断地调整自身的运动速度和方向,通过反复迭代在解空间内寻求最优解,调整的依据是根据自身与其他粒子的信息交换和共享所获得的信息。因为易于操作,参数少,效率高等显著优点,PSO算法无论是在计算领域还是工程领域都得到了广泛的应用。遗传算法(GA)也是群智能理论与进化技术相结合的智能优化算法,由美国的Holland教授于1975年最先提出,经过几十年来的学者的反复研究和改进,目前算法理论较从前更为成熟。算法是以自然界生物进化的优胜劣汰的客观规律为基础,以进化理论和变异理论为指导的一种并行的全局搜索技术,主要工作过程是通过选择、交叉和变异几个过程使上一代的优良基因能够保留到子代的基因中,通过种群的迭代进化来寻求问题的较优解。工业下料问题是指在给定原材料尺寸的前提下,求解生成目标尺寸的零件的切割方案,以达到原材料利用率最高的要求。根据维度划分,可基本分为一维下料、二维矩形排样、三维以及多维布局等几类问题。一维下料问题和矩形排样问题是工业下料问题的两个重要分支。根据计算复杂性理论,这两个问题都被证明为NP难度问题,因为其计算复杂性无法在有限时间内求得全局最优解。本文对一维下料问题和矩形排样问题建立数学模型,将其转化为离散论域内组合优化问题,并采用本文提出的改进粒子群优化算法来对这两个问题进行求解,该算法以离散粒子群优化算法为基础,引入遗传算法思想对粒子群优化算法的速度模型进行了改进,通过交叉和变异操作来更新粒子,突破了粒子群算法的速度模型限制,解决了标准粒子群优化算法在求解组合优化问题时粒子的更新难以描述问题,并且能够保证信息交流融合的连续性和稳定性；在算法执行过程中引入搜索策略,以提高收敛速度并加快形成编码方案。仿真实验表明,该算法在求解一维下料和矩形排样问题中的高效性和鲁棒性,说明本文提出算法在求解工业下料问题上具有良好的性能和广阔的工业应用前景。