采购量分配问题是采购管理的核心,其主要任务是采购方根据成本、质量和交货期等指标将相应的供应量分配给各个供应商,使企业采购总效益达到最优。粒子群算法(Particle Swarm Optimization,又称PSO)是一种模拟鸟类集群飞行觅食行为的启发式进化算法,每个粒子在迭代过程中追随自身最优粒子与全局最优位置在解空间内搜索。PSO的优势在于简单容易实现并且通用性强,然而,粒子群算法存在后期收敛缓慢、多样性不足等缺陷,需对其做进一步的改进研究。本文针对上述问题,重点围绕MOPSO算法的改进和Baldwin学习策略应用等问题展开初步研究,并将改进后的算法应用到含折扣因素的采购量分配问题中,对算法在多目标混合整型问题中的应用展开了研究,以提高企业的供应链管理水平。本文主要内容包括:(1)针对算法存在后期收敛缓慢、解集分布不良等问题,根据Baldwin效应理论,给出粒子与邻域内可行解的学习策略,提出Baldwin混合多目标粒子群优化算法,改善粒子群算法的收敛性,扩大解的搜寻范围以提高解的精度。通过实验对比,证明算法的有效性。(2)针对改进后的混合算法可能会存在多样性较差的问题,根据粒子群自身的进化特性采用非均匀变异策略和精英保留策略,来改善粒子群的多样性;继而设置线性变化的惯性权重来平衡粒子群的全局搜索和局部搜索,在四个经典测试函数的仿真模拟实验证实:改进后的粒子群优化算法有较优的性能。(3)实际应用中,针对采购量分配问题,提出利用Baldwin混合多目标粒子群算法进行求解,并增加候选方案的数量。通过调整粒子的飞行、增加等式约束处理机制,使该算法成功求解含折扣因素的采购量分配问题,最后引入逼近理想解的排序方法(TOPSIS)为决策者提供更高效的、强交互性的供应商选择和采购量分配方案。