优化问题是现实应用中需要解决的一个重要问题,粒子群优化算法因其在解决优化问题时具有简单高效、复杂度低等优点而受到了广泛关注。然而,粒子群优化算法在运行过程中容易早熟收敛,且在处理高维优化问题时,效率较低,无法快速找到全局最优解。针对上述问题,本文提出了两种多策略融合的粒子群优化算法,以提高算法的收敛精度。本文的主要工作和创新性成果如下:（1）提出了一种基于综合学习策略的多分组粒子群优化算法（MGPSO）。基于多种群的分工合作优势,MGPSO将种群划分为多个小组,并结合综合学习策略使用组内最优位置和优胜粒子的经验信息来更新粒子的速度,以提高算法的搜索效率。同时为避免粒子过早聚集,MGPSO引入了一种吸引-排斥策略,通过赋予粒子电荷并利用电荷间的作用力使粒子呈分散状态,以增强种群多样性。当小组进入停滞状态时,MGPSO通过一种激活策略使组间进行信息交流,并构造一个新的学习样本引导停滞小组继续进行探索。另外,MGPSO选择适应度均值对各小组的搜索级别进行衡量,并据此调整惯性权重,以匹配各小组不同时期的搜索状态。与多个对比算法的实验结果表明,MGPSO具有较强的寻优能力。（2）提出了一种基于电场力的多样本粒子群优化算法（MSPSO）。基于吸引-排斥策略在求解精度方面的有效性,本文在MGPSO的基础上做出了新的改进。为进一步增强种群的多样性,MSPSO将种群的可行域视作一个电场,并将种群划分为正负电荷两个子群。该算法引入了一种基于电场力的综合学习策略来构造吸引样本和排斥样本,将这两个样本用于有目的地引导其他粒子的运动轨迹,推动种群探索更多的潜在区域。并根据构建样本的信息自适应地更新相应的权重系数。另外,为降低粒子陷入局部最优的风险,MSPSO采用基于分段的加权学习策略构建全局学习样本,使粒子从精英粒子中学习到更多有用的信息。实验结果表明,MSPSO相比其他对比算法具有更高的求解精度和更快的收敛速度。