最优化问题是人们在工程技术、科学研究和经济管理等诸多领域中经常遇到的问题。根据优化目标个数的不同，最优化问题分为单目标优化问题和多目标优化问题两种。　　 粒子群算法(PSO)是山Kennedy博士和Eberhart博士在1995年提出的一种演化计算技术，其基本思想来源于对鸟群简化社会模型的研究及行为模拟。PSO算法模拟鸟类集群飞行觅食的行为，通过鸟类之间的集体协作使群体达到最优目的。由于其简单有效，自提出以来得到了广泛的关注。　　 本文首先对粒子群算法在解决单目标优化问题时容易陷入早熟收敛的不足进行了改进。改进后的算法除了使用自适应算子来改变惯性权重外，还在搜索过程中使用非均匀变异算子对位移进行变异，扩大位移的搜索范围；当算法陷入局部收敛时，使用柯西变异算子对全局最优解进行变异，促使粒子逃离局部最优的陷阱，从而最大限度的提升算法全局搜索性能。　　 其次在多目标优化问题中，相对于其它进化算法而言，粒子群算法目前还处在模仿、移植其它先进多目标进化算法的阶段。本文在充分考察当前流行的几种多目标进化算法的基础上，选择NSGA-Ⅱ算法作为新算法改造的本体，新算法吸收了NSGA-Ⅱ算法的精英策略来加快算法的收敛速度，并通过计算每个精英解的拥挤距离来保持精英集中pareto最优解的均匀分布。此外，为了避免早熟收敛，在每次粒子更新之后加入了变异操作来避免算法陷入局部非劣最优解。新算法还吸收了分布估计算法的概率抽样思想，在全局最优点gbest的选择上利用概率抽样随机产生gbest。相对于普通的基于粒子拥挤度的选择，新算法不仅能够保持精英集中粒子的均匀分布，而且还能够发现新的gbest，提高算法的搜索能力。　　 最后，本文对造纸企业物料平衡和间歇蒸煮过程进行了研究，在建立各自数学模型的基础上分别使用以上两种算法进行了优化计算，取得了较好的效果，并且为实际生产提供了一定的参考依据。