粒子群优化算法(Particle Swarm Optimization, PSO)是一种基于鸟群、鱼群和人类社会的行为规律提出的算法。PSO的缺点是易陷入局部极值点导致早熟现象,进化后期收敛慢导致精度较差。多子群PSO是一种通过增加粒子多样性来提高算法的全局搜索能力以减少早熟现象的重要方法。动态多子群PSO(Dynamic Multi-swarm PSO,DMS-PSO)是其中一类通过种群周期地重组操作增加粒子多样性的算法,但经实验发现,该类方法的重组操作大大增加了寻优时间,且算法忽视了粒子在进化过程中的自主性,造成粒子的进化带有一定的盲目性和强迫性,降低了寻优效率。当前大部分PSO改进算法都是针对单模问题,但科学研究和工程实践中也存在多模优化问题(Multi-modal Optimization, MO)。目前用于求解MO的小生境PSO中小生境识别方法的准确率较低,同峰极值点判别的准确率不高,且由于频繁的距离计算降低了寻优效率。多子群PSO由于多个子群同时独立地进化,能够保存每个子群的最优个体,使得其在解决MO方面有很大的优势。针对以上问题,本文围绕多子群PSO,在单模和多模优化问题展开研究,提出基于自主学习和精英群的多子群PSO (Multi-swarm PSO Based on Autonomic Learning and Elite Swarm,ALEMSPSO),维持种群多样性的同时,提高了粒子学习的自主性,且降低了算法的时间消耗；提出面向多模函数优化的按峰划分的多子群PSO(Multi-swarm PSO Based on Devision by Different Peaks for Multi-modal Function Op-timization,DPMSPSO),提高了小生境PSO中小生境识别的准确率和效率,提升了同峰极值点判别的正确率,且为解决多模优化问题提供了一种新方法。论文的主要贡献包括：(1)提出ALEMSPSO,提升了算法搜索性能。算法将教育心理学自主学习的理念引入DMS-PSO中,借鉴精英群和基础群的种群架构,提出了ALEMSPSO.该算法具有如下特点：·自主选择学习对象的粒子更新机制。基础群中的粒子通过自主选择学习对象操作来代替DMS-PSO中的重组操作,维持DMS-PSO多样性高的同时,又无需复杂的种群重组操作；完善了PSO的学习机制,提高了粒子进化过程中的自主性。·基于精英群的局部搜索机制。基础群负责全局搜索,精英群负责局部搜索,既能保持算法具有很好的全局搜索能力,又能增强局部搜索能力。·基于最优粒子多样性的子群合并机制。通过对基础子群最优粒子多样性的度量,实现子群的合并,使算法在进化后期或解决单峰问题时,提高收敛性能。6个高维、多峰测试函数应用表明新算法在提高收敛速度、精度和寻优时间方面拥有良好的性能,且稳定性优良。(2)提出DPMSPSO,提升了算法搜索性能,为解决MO提供了一种新方法。针对多模函数优化问题,在ALEMSPSO种群架构的基础上,引入极值库用于存储极值点,提出按峰划分的小生境识别方法和改进型插点法的极值点判别机制,设计了DPMSPSO.该算法具有如下特点：·按峰划分的小生境识别方法。基础群采用按峰划分子群的方法识别小生境,充分考虑到所求问题的函数特征和波峰的特点,提高了小生境识别的准确率和效率。·改进型插点法的极值点判别机制。将各子群找到的位置通过改进型插点法进行入库检测和出库检测,提高了同峰判别的准确率。·改进的基于精英群的局部搜索机制。精英群在极值库中的极值点附近进行局部搜索,提高了算法的收敛性能。·新的评价指标。针对求解多模优化问题的优化算法,提出新的评价指标,提高了评价的正确性和公平性。10个典型测试函数的仿真对比实验结果表明新算法定位极值点的准确率更高,且拥有良好的精度和速度。