投资者在投资过程中往往都是厌恶风险的,并希望获得尽可能高的回报,然而投资伴随着风险,且往往回报越高的投资其风险也是越高的,如股票投资。投资概念缺乏或投资方式不当都会造成投资者本金的亏损。投资组合优化是指通过构建投资组合,运用优化算法帮助投资者获得投资于各项投资产品的最优资产配置策略,从而分散投资风险,最大化投资收益。然而随着投资产品规模的不断增大,待优化求解的目标函数越来越复杂,投资组合优化问题的求解难度逐渐加大,这对优化算法的性能提出了较高的要求。粒子群优化算法作为一种生物启发式算法,具有参数易于调节,改进相对容易等优点,被广泛应用于优化问题的求解当中,在很多研究领域均取得了丰富的成果。本文面向投资组合优化问题,提出改进的强化学习粒子群算法,有效提升了投资组合的收益。本文所作的主要工作包括:（1）针对粒子群优化算法寻优过程不同阶段性能需求的差异性,提出改进的分阶段PSO算法（IPSO）,并用于求解复杂投资组合优化问题。IPSO将优化过程分为两个阶段,迭代前期采用非线性变化的惯性权重和学习因子平衡全局搜索和局部开发问题,迭代后期引入收缩因子提升算法收敛性能。结果表明IPSO算法有效提升了PSO对复杂投资组合优化问题的求解能力。（2）针对人工配置PSO算法参数难以根据算法实际的运行情况做出自适应更新的问题,提出一种基于策略梯度的粒子群优化算法（PG-PSO）。PG-PSO通过构建一个与粒子群交互学习的策略神经网络,动态控制关键参数的更新,提升了算法的智能性。对比实验的结果表明与几个人工配置算法参数的改进PSO算法和其他几种优化算法相比,PG-PSO算法的优化性能是更出色的。（3）借鉴分阶段策略思想,提出改进的PG-PSO算法（IPG-PSO）。改进算法将优化过程分为两个阶段,通过与策略神经网络的交互分别实现了参数的自适应更新,进一步提升优化性能。（4）选用上证50指数和深证100指数中的股票数据构建了一个覆盖领域广泛的投资组合,并运用PG-PSO和IPG-PSO算法对基于夏普比率的投资组合模型进行优化求解,得到最优资产配置策略。