复杂优化问题是工程应用和科学研究中的一种重要问题,随着实际工程应用问题复杂程度的增加和决策者对仿真模型逼真度要求的提高,仿真实验模型越来越复杂、规模越来越大,耗费的计算成本也越昂贵。因此迫切需要高效的求解复杂优化问题的算法。因此本文针对复杂优化问题提出了两种改进的粒子群优化算法,主要工作如下:一、基于分解策略,改进粒子的位置更新方式,提出了一种基于分解的改进粒子群算法,并用于求解复杂大规模多目标优化问题。首先,将分解策略与社会学习相结合引入到个体学习过程中,其次,针对每个个体及其邻域个体,计算其沿权重向量方向与参考点之间的距离以及到权重向量上的距离,并对它们进行排序,个体通过学习离参考点近的任意个体以及离权重向量近的所有个体,实现粒子位置的更新,进而提出了一种改进的粒子群算法,并用于求解复杂大规模多目标优化问题中;最后在5个ZDT测试函数上进行了500维和1000维的测试对比,结果表明本文所提的改进算法具有较好的收敛性以及分布均匀性。二、基于设定理想点的策略,改进粒子的位置更新方式,提出了一种改进粒子群算法,并用于求解复杂多目标优化问题。首先在分解策略的基础上,找到该权重上的理想点,其次,针对每个个体及其邻域粒子,计算其权重向量上的理想点以及权重向量方向上到理想点之间的距离,并对它们进行排序,个体向离它所对应的权重向量上理想点近的个体学习,实现位置的更新,进而提出了一种改进的粒子群算法,并用于求解复杂多目标优化问题中;最后在DTLZ测试函数上进行3,5,8,10,15及20目标的测试对比,结果显示本文提出的改进算法在求解多目标优化问题中是有效的,相比其它几类算法具有较好的优化性能。