布线是超大规模集成电路（Very Large Scale Integration,VLSI）物理设计中至关重要的一步。由于布线问题复杂度高,故将其分为:总体布线,轨道分配和详细布线三个阶段。其中,Steiner树由于具有比其他方法求得的连接树总长更小的优点,成为了解决总体布线中多端线网的最佳模型。传统的总体布线以曼哈顿结构为互连线模型,其布线方向受限,且传统的精确算法和启发式算法难以满足复杂性呈指数增长的VLSI物理设计的发展需求。此外,总体布线由于忽略了许多详细布线的问题,使得二者之间的不匹配程度加剧。尽管轨道分配的提出为二者架起了一座理想桥梁,但现有的轨道分配算法也面临着陷入局部极值的问题。而粒子群优化（Particle Swarm Optimization,PSO）作为群体智能技术的典型代表之一,是解决大规模离散问题的有力工具,但标准PSO算法易陷入局部极值,难以得到满意的解。因此,本文从PSO的工作机理出发,改变原有单一的学习模式,提出新的社会学习策略以平衡PSO算法的全局搜索和局部开发能力,从而构造出以下三个高质量的VLSI布线算法。（1）针对线长优化的X结构Steiner树问题,提出了基于社会学习离散粒子群优化（Social Learning Discrete PSO,SLDPSO）的线长驱动X结构Steiner最小树算法。该算法引入了混沌下降变异策略和基于样例池机制的社会学习模式以增强种群多样性,并使用局部拓扑优化策略进一步减少线长。实验结果显示,该算法在大规模线网的Steiner树问题上具有明显的线长优化效果。（2）针对时延优化的X结构Steiner树问题,提出了基于最近最优SLDPSO的最大汇延迟驱动X结构Steiner最小树算法。该算法引入了Elmore时延模型,提出了X结构Prim-Dijkstra模型以同时优化线长和最大源汇路径长度,并提出最近最优社会学习模式以增强PSO算法的勘探能力。实验结果显示,提出的算法与同类算法相比,能够取得更低的总时延和最大汇时延。（3）针对线长和冲突优化的轨道分配问题,提出了基于SLDPSO的冲突最小化轨道分配算法。该算法考虑了局部线网以更好地指导详细布线,设计了能扩大搜索空间的有效编码方式,并引入基于样例池机制的社会学习模式以提高算法性能,最后使用基于协商的精炼策略进一步减少重叠冲突。实验结果显示,该算法能获得同类工作中最佳的重叠代价优化,同时减少关键布线区域的拥挤度。