粒子群算法是由J.Kenned和R.C.Eberhart于1995年提出的一种优化算法,它通过模拟动物种群的行为而设计,其目的是获得最优解。这些群体内部各成员之间通过互相协作的方式去寻找食物,并且群体中的每个成员在搜索过程中都积累一定的经验,粒子群算法就是根据这些个体自身的经验和学习其他成员的经验,来不断的改进搜索方向和搜索进度。粒子群算法具有良好的优化性能,使用简单且应用广泛。美中不足的是,粒子群算法在计算十分复杂的高维度问题时效率低下。尤其是HEB问题（高维,计算复杂,黑盒优化问题）,当优化参数维度很高时,适应度计算量过大,适应度评价指标只能借助其他模型时,虽然能得到优质解,但计算的时间消耗过大,同时经典的粒子群算法还存在收敛速度慢,容易陷入局部极值的问题。为了解决这些问题,受鲑鱼迁移的启发,本文提出了一种新颖的操作,命名为“迁移操作”,搜索空间并且有效地引导群体快速收敛。“迁移操作”是在粒子群迭代的过程中,将种群整体的维度降低,根据粒子适应度,选择若干低维空间的优质粒子拟合曲面,进而得到一个低维空间下的更优粒子,再将该优质粒子进行维度还原,最终得到一个高质量的原始空间的优质粒子。在“迁移操作”中,使用Wasserstein Auto-encoders作为维度变换的工具进而模拟鲑鱼的迁移行为。根据适应度选择被拟合的粒子后,使用最小二乘法拟合出二次曲面,并得到曲面上的最优粒子,通过解码器还原到原维度,最后采用轮盘赌的方式替换原种群中的某个粒子。为了验证引入迁移操作的粒子群算法的性能,我们选择了若干基准函数进行测试,详细讨论了基于迁移操作的粒子群算法的有效性,并将其与经典的粒子群算法和GPAM-PSO算法进行了比较。实验结果表明,迁移操作能够有效的扩展搜索空间并在最初的几次迭代中使群体快速收敛。最后讨论了迁移操作的相关参数,为有效使用迁移算子提供帮助。