参数优化是许多科学、工程问题以及社会经济活动中的重要研究内容之一。目前，国内外学者已经提出了大量优化算法，粒子群优化算法(PSO)就是其中一种较新的、较好的算法，它已经成功应用于许多工程实践问题，并取得了很好的优化效果。本文提出带变异操作的自适应惯性权重的混合粒子群优化算法(PSOGA)以及与差分进化算法(DE)相结合的非线性惯性权重的混合粒子群优化算法(MPSODE)，以增加粒子群体多样性、增强跃出局部最优的能力。本文所提出的两种混合优化算法与PSO算法均采用实数编码，可以在一定程度上避免传统优化算法在求解非线性问题时可能存在的对初值敏感以及不可求导等问题。将MPSODE和PSOGA等算法应用于半导体器件、典型电路实例及控制系统参数的优化设计中，并与PSO算法进行比较，以验证本文所提出新型混合优化算法在实际应用中的可行性、有效性和优越性。文中首先对半导体器件、电路及控制系统的非线性部分建立相应的线性化的数学模型，提取合适的待优化参数，针对参数对象建立恰当的适应度函数，准确地反映参数组合的优劣性；然后，利用PSO及本文提出的混合优化算法良好的搜索性能和快速的收敛速度，给出合理的设计流程，在目标参数空间进行高效并行搜索来获取最佳参数组合，以有效降低电路功耗，改善电路及控制系统的性能。通过仿真实验证明本文所提出的混合优化算法在对半导体器件、含有半导体器件的非线性电路，软件实现的IIR滤波器以及控制系统中的PID控制器进行参数提取优化中，相比于其他优化算法在器件性能、电路功耗、滤波器阻带衰减特性及闭环控制系统的阶跃响应等方面可以获得更加满意的结果，并从收敛速度、精度、稳定性等多个方面考察不同优化算法的性能。