粒子群优化算法(Particle Swarm Optimization,PSO)是近年来被广为关注和研究的一种群智能优化算法,以算法参数少,求解过程简单,寻优效果优良等优点得到了较多的认可和应用。然而现有的一些PSO算法在面对更为复杂的优化问题时,如多峰函数优化问题以及大规模函数优化问题,往往难以兼顾种群多样性和收敛精度,存在早熟收敛、易陷入局部极值等问题,将其应用于实际工程问题还存在很多值得改进和提高之处。本文在前人相关研究成果的基础上,针对粒子群早熟收敛,易陷入局部最优等问题提出了一些改进方法,主要工作如下:1、提出一种自适应性多种群的粒子群算法。在该算法中,我们引入一种种群自适应重组策略来保持种群多样性,避免种群过快陷入早熟收敛;同时,引入一种基于种群历史信息指导的探测策略来增加种群逃离局部最优的能力;最后通过引入两种局部搜索策略来提高种群收敛速度及开采精度。实验结果表明,改进算法有效地改善了PSO算法在进化过程中易早熟收敛、陷入局部极值等问题。2、提出一种基于多层次适应与有目的探测的精密粒子群算法。该算法中,粒子不仅依据其适应度景观更新其学习模型,并且周期性地重新选择邻居粒子的某些维度进行学习。同时,引入一种基于种群历史信息的禁忌探测操作和一种简易局部搜索策略来提升种群跳出局部最优的能力并提高求解精度。仿真实验表明,该算法不仅在单峰函数、多峰函数上有较好表现,同时在大规模问题以及某些实际应用问题中也表现出较好的性能。