粒子群优化算法PSO是一种基于群智能的优化方法。该算法受启发于社会心理学和人工生命中的相关观点,模仿个体之间的社会交互,即现实社会中个体模仿周围更成功个体行为的方式。由于其收敛快、计算代价低和易于实现等特点,目前已经成为智能计算领域的研究热点。一些改进算法在某些问题上或某个领域内得到了成功应用,但其应用范围仍然有限。如果要获得更好的效果,PSO的应用人员必须根据具体问题,在原始的算法模型上进行适当的配置。针对这一问题,本论文尝试设计采用动态策略的粒子群优化算法,使之能够根据具体问题自适应调整解的搜索过程,从而不用手动配置就能达到比较理想的效果。研究工作主要取得了以下成果:构造并优化了PSO算法设计框架。虽然PSO的研究在算法改进和算法应用方面都取得了很大进展,但是缺少一个面向应用的算法设计框架。本文通过归纳PSO在具体应用中的设计方法,构造了一个基本的算法设计框架,并综合现有研究成果对其进行优化。优化的算法设计框架为将来的算法应用和研究工作提供了一个更高的平台,本论文以下的工作也基于此平台展开。设计了基于动态记忆策略的粒子群优化算法DMPSO。由于PSO算法模仿社会规范的涌现过程,本文从社会现象入手,借鉴社会心理学思想,研究个体记忆对个体行为的影响,提出了个体记忆贡献度的概念,并给出了几种可供选择的度量方法。基于个体记忆贡献度的值动态地为每个粒子的个体记忆赋予相应权重,实现了DMPSO。在测试函数上的实验结果显示该算法能够有效地根据不同问题自适应地调整每个粒子的个体记忆权重。提出了基于动态邻域策略的粒子群优化算法DNPSO和IDNPSO。系统地分析了PSO算法中的邻域结构及其对算法性能的影响之后,发现对于不同的问题,适用的邻域拓扑也不相同。本文从全局和个体两个角度出发,模仿社会变革和个人交际网络结构的变化,设计了两种动态邻域的生成策略:全局更新策略和个体自适应策略,并基于这两种策略实现了DNPSO和IDNPSO。实验结果表明,动态邻域的PSO能较好地避免算法早熟收敛,同时又能根据具体问题自适应地调整粒子群邻域结构,从而生成适合特定问题的特定邻域拓扑。