最优化问题广泛存在于科学研究、经济管理等领域，优化问题存在的普遍性促使优化技术和优化算法不断进步。随着工业技术和科学研究的快速发展，现实的优化问题也变得越来越复杂，研究者开始致力于提出更为高效的优化算法。粒子群算法是智能算法中一个新的技术，它不仅能很好地处理复杂高维的问题，在一些领域知识贫乏的问题中也尤为有效。由于其原理简单、参数便于调整等优点，自诞生以来备受研究者的关注。粒子群优化算法作为一种基于群体协作的智能算法，其种群多样性是一个重要研究焦点。种群的多样性描述个体行为和群体的变化趋势，决定了整个算法的进化活力和收敛性能。充分考虑到种群多样性变化对算法寻优能力的影响，本文从保持种群多样性的角度出发，展开对粒子群优化算法的性能改进研究，论文的主要工作如下：本文深入分析了社会结构与多样性的关系，采用多生态子群的社会结构，每个生态子群在各自的社会环境中寻求极值点，减缓粒子的聚集过程，在进化初期有效地保持了种群多样性。提出全信息学习策略和差异融合策略两种多样性动态调整机制。全信息学习策略以全信息粒子作为粒子间的沟通桥梁，该粒子汇集了生态子群内所有粒子的优秀信息。在算法的进化过程中通过动态变化全信息粒子的计算参数，调整粒子的聚合比例，为粒子的学习带来更多选择，其动态性有利于粒子运动方向的多元化发展。差异融合策略以种群变化趋势为标识，实时监控并调整社会结构，从而动态调整多样性在进化过程中的变化趋势。通过经典测试函数和物流实例验证本文算法的性能，实验结果表明算法不仅拥有优秀的寻优能力，而且具有很强的实用性。