多种群粒子群优化算法(Multi-swarmparticleswarmoptimization，MPSO)将种群划分成若干个子群，子群内的各个粒子既独立寻优，又通过共享信息而协同搜索，是一种局部搜索与全局搜索相融合的优化算法。然而，它跟基本粒子群优化算法(PSO)相同，在搜索过程中速度越来越小，粒子可能会慢慢停滞，出现过早地收敛，最终陷入局部最优的状况。作为一种非线性现象，混沌本身具有一定规律性，遍历性以及随机性等特点。混沌优化借助混沌搜索的优点，能够在小范围内进行高效地遍历，比传统的随机搜索算法更具优越性。因此，本文把混沌优化引入多种群粒子群优化算法进行研究，并将提出的两种混合算法分别应用于解决复杂的函数优化以及基因表达谱数据的基因选择问题。本文的主要工作如下：
　　(1)提出了一种基于一维混沌优化和排序交流的多种群粒子群优化算法(HMPSO-OCS)求解单目标连续函数的优化问题。首先为了能够加强子群之间的信息交流，提高算法的全局搜索能力，设计了一种基于排序的子群交流机制，旨在更新各个子群的最差个体。即先对子群中的个体进行排序，再对子群进行排序，使得每个子群中的最差个体都有机会向排名靠前的子群中的最优个体进行学习，从中获取有用的信息并进行更新。另外，为了加强算法的局部搜索能力，周期性地使用一维混沌优化对子群中的全局最优个体进行寻优。实验结果表明，相比于传统的PSO及其改进版本算法以及MPSO算法，HMPSO-OCS算法的搜索性能更好，在八个基准测试函数上取得了更好的寻优结果。
　　(2)提出了一种基于混沌优化和外部队列的改进二进制多种群粒子群优化算法(HMBPSO-EA)，用于选择基因表达谱数据中的特征基因。借助混沌优化的遍历性等特点，HMBPSO-EA使用混沌优化更新粒子的惯性权重，以协调粒子的全局与局部搜索性能。同时，为使各个子群中的信息得到充分利用并协助种群进化，设计了一个外部队列，存储每个子群的有用信息便于子群之间交流与分享。其中，每个子群中的全局最优粒子作为当前子群的最优个体，提供该子群的较优信息存储于外部队列中。周期性地从外部队列中抽取信息协助子群，可以让子群更为高效地寻优。最后，将HMBPSO-EA应用于基因选择问题，选取基因表达谱数据中的关键特征基因，以辅助癌症诊断。实验结果表明，在六个常用的基因表达谱数据集中，相比于基于MBPSO以及BPSO的传统基因选择方法，基于HMBPSO-EA的基因选择方法能够找到具有更高分类性能和具有一定解释性的基因子集。