摘要：全局优化问题广泛存在于科学、工程和商业等各种领域,可以被简单地描述为一个D维最小化问题。不幸的是,由于实际应用问题的复杂性,许多优化问题都不能被传统的解析法所有效地解决,因而产生了许多数值算法诸如进化算法去解决它们。但是这类进化算法所面临的最大挑战是它们容易陷入目标函数的局部最优中,这种现象尤其在处理高维问题或者复杂的多峰问题中愈加多见。粒子群算法就是这类数值算法之一,该算法在很多优化问题中都有着比较好的效果。但是它同时也存在着很多缺陷,比如当解决复杂问题时,原始粒子群算法很容易因为种群多样性的提早丧失而陷入局部最优中。针对这样的早熟收敛问题,诞生了许多优秀的PSO算法变种。这些变种算法都擅长解决复杂问题,可是它们的收敛速度却相对较低。为了从解的质量和收敛速度两方面提高原始粒子群算法的性能,本文提出了一种复合粒子群算法(composite particle swarm optimization, CPSO),该算法使用了一个“新的学习策略复合辅助搜索机制”的结构,新的学习策略被称为组合学习策略(combination learnin strategy),该策略将粒子的个体历史最优信息和全局最优信息组合为一个学习向量去指引粒子运动,能够保留原始的搜索信息并且加快算法的收敛速度。辅助搜索机制属于一种全局搜索方法,可以大大改变粒子的搜索方向从而使算法能够有较大机会获得全局最优解。为了使辅助搜索机制更加有效率并使整个算法更加稳定,辅助搜索机制的执行概率是由每次迭代后适应度值的改善程度动态调节的。随后本文将复合粒子群算法应用于函数优化问题和车辆路径问题(vehicle routing problem, VRP)之中。在解决函数优化问题方面,采用了22个基准函数(benchmark function)对算法的性能进行了测试。在解决车辆路径问题方面,使用了不带时间窗的车辆路径问题和带时间窗的车辆路径问题对算法的性能进行了评估。这两类问题的实验均证明了复合粒子群算法的高效性。