最优化理论与算法是一门由数学发展而来的学科，它的研究内容是在众多可行方案中确定并选择最优方案在人类发展的历史中，学者们针对于不同的最优化问题，提出了各种各样的优化方法，如早期的牛顿法，共轭梯度法，拉格朗日乘子法等等，这些成熟的局部优化算法能够很好地找到问题的局部最优解但随着人类生存空间的扩大，不断涌现的新问题具有更高的复杂性ǐ约束性ǐ非线性ǐ以及建模困难方面的问题，这些用于解决求局部最优解的解析性优化算法已经不能够满足人们的要求了，人们亟需一种适合于大规模并行，并且具有智能特征的优化算法，随机型优化算法应运而生随机型优化算法中比较典型的遗传算法，模拟退火法，人工神经网络，群智能算法等在大规模最优化问题的处理中表现出了强大的潜力，相较于其他算法，它们可以在更短的时间内搜索到优化问题的较优解近些年来，群智能算法之一——粒子群优化算法（ParticleSwarmOptimization,PSO）逐渐得到人们的关注最初它是受到鸟群觅食行为的启发而被提出的，算法使用无质量无体积的粒子作为个体，在逐代演化中，个体之间进行通过个体间并行的通信以及协作搜索问题的最优解由于算法收敛速度快，所需参数少，能够解决传统优化算法不能解决的复杂问题，因此被广泛地应用在函数优化ǐ神经网络训练ǐ以及一些工程问题中但尽管自粒子群优化算法被提出至今已经有20年的发展历史，却无论在理论上还是实际应用中都尚未成熟，也具有和其他随机型优化算法相同的缺点：容易过早收敛，容易陷入局部最优，以及求解精度差等因此提高种群多样性，防止算法早熟，以及提高算法的求解精度成为大多数研究者的关注焦点本文在综述了最优化理论以及粒子群算法的基础上，针对粒子群优化算法容易早熟的缺点，对算法的收敛时期进行了优化首先受梦境起因启发，提出一种昼夜两阶段的梦境粒子群优化算法，主要通过夜间阶段对粒子获取到的位置信息进行扭曲，而在白天阶段按照扭曲过后的信息进行移动达到令算法缓慢收敛，逃离局部最优解的目的之后在梦境粒子群的基础上，提出一种基于传染病模型的梦境粒子群优化算法，利用了粒子间的距离信息，将其通过传染过程应用到粒子的做梦能力上本文也提出了一种利用流体力学经典理论的粒子群改进算法，将粒子视作互相具有压力作用的流体，赋予其密度，压力等属性，按照伯努利定律进行演化通过在基准函数测试中对本文所提出的改进算法与其他粒子群算法进行的寻优效果以及收敛性分析等对比实验，证明三种改进算法寻优结果优于一些典型的粒子群改进算法虽然传染病粒子群算法参数较梦境粒子群多，但在控制收敛时期方面具有可控性流体力学粒子群算法开销较大，但在多模问题上能求得较好的解最后，通过对粒子群算法改进算法的研究，提出了一些进一步优化的方案，进行了总结，并提出了进一步的研究方向，如理论证明算法参数选择的有效性，进一步使用其他传染病模型以及相关改进算法，将流体粒子群模型从笛卡尔坐标系映射至势流坐标系，以及将优化算法应用到不同领域的实际问题中，进一步研究针对不同问题的改进策略，利用不同问题的特点设计出相应有效的算法等