粒子群优化算法（Particle Swarm Optimization,PSO）是由Kennedy博士和Eberhart博士于1995年提出的一种群体自适应群智能优化算法。其思想来源于鸟群觅食行为,从鸟群飞向食物的过程得到启发而形成。粒子群优化算法自问世以来,就受到各大领域的专家学者的高度关注,因其原理简单,调节参数少,便于实现等特点,使其迅速成为智能算法研究学者的研究热点。PSO虽然在众多领域都有实际的应用,但任何算法自身都不是完美的,PSO也存在收敛慢和易陷入局部最优等缺陷,因此,为完善算法的理论,提高算法的性能,改善粒子群优化算法自身的缺陷,对算法进行性能改进就显得非常重要。本文尝试通过将PSO与其他智能算法进行混合研究,从而提高该算法的收敛性和求解精确度,改善算法的性能。本文主要完成以下几方面的工作:1.对粒子群优化算法进行一个基本概述,包括该算法的起源,算法的基本原理,算法的参数设置,标准粒子群优化算法,最后介绍混合粒子群优化算法的研究情况。2.提出一种基于种群最优的分布估计粒子群优化算法（EPSO）,将分布估计算法混合到粒子群优化算法中,通过粒子群优化算法每次的位置更新来找到每代的种群最优,将每代产生的种群最优个体作为分布估计算法“选择”的对象,通过这两者的有效结合,既能保证微观层面上的数值精度,又能在宏观上达到快速收敛,实现粒子群优化算法的优化改进。3.引入认知种群的概念,把由粒子群优化算法中每个粒子在每次迭代中产生的个体最优值保存下来组成的种群{P₁（t）,P₂（t）,...,P_N（t）}称为粒子群优化算法的认知种群,将认知种群与分布估计算法进行混合研究,提出一种基于认知种群的分布估计粒子群优化算法（PPSO）。通过十个测试函数对算法进行收敛性和函数求解精确度两个方面测试,实验证明,该改进算法提高了粒子群优化算法的收敛性和求解精确度。4.深入研究认知种群的作用,将差分进化算法与该集合进行混合研究,提出一种基于认知种群的差分进化粒子群优化算法（DPSO）。通过将认知种群和差分进化算法的变异、交叉和选择操作结合起来改进PSO的性能。应用十个测试函数对该算法与EPSO、PPSO进行收敛性、求解精确度和算法运行时间三方面进行比较,仿真实验验证了该算法的可行性。