本文的主要内容是总结群智能优化算法的优缺点的基础上,提出了一种基于捕食策略的粒子群优化算法，然后将该算法与标准粒子群优化算法(ParticleSwarm Optimization, PSO)，通过测试函数进行比较，检验该算法能够有效的提高收敛速度和精度，最后将该算法应用到求解证券投资组合优化问题中。现代投资组合理论就是解决最大投资收益与避免风险之间的基本权衡关系的学说，每个理性的投资者都在追求在给定的收益下希望风险最小，或者在风险一定的条件下收益最大。本文从应用角度出发，通过分析中国证券市场现实投资环境和实际特点，建立了一个考虑完整费用的证券投资组合模型。并针对标准粒子群算法容易陷入局部最优和搜索精度不高的缺点，提出了基于捕食策略的粒子群优化算法（PSPSO），将其用于求解投资组合模型。捕食搜索策略可以通过调节限制级别来控制粒子群的搜索空间，从而平衡全局搜索和局部搜索。最后采集实际证券投资数据进行数值模拟，利用基于捕食策略的粒子群优化算法对模型进行求解，数值模拟结果显示，与基本粒子群优化算法相比，本文提出的基于捕食策略的粒子群优化算法能够有效的提高收敛速度以及收敛精度。