本论文通过熟悉国内外学者针对粒子群优化算法的研究状况,以及分析粒子群优化算法本身存在的一些不足,引入了基于分层分群思想的粒子群优化算法,并对该算法的迭代过程进行优化。该算法对不同层次的群体进行分群,把每个群体中最优的个体赋予下一层。而优化后的算法是把每个群体中最优的个体与其下一层相对应的个体进行比较,选择比较结果中好的部分,进行替换,使得下一层的群体具有更好的寻优位置。同时在算法中引入了变异算子和减速因子。优化后的算法不仅增加了种群粒子的多样性,也避免了粒子在搜索过程中陷入局部最优状态,通过迭代还可以更快的搜索到全局最优的位置。本论文采用14个典型的测试函数来为实验的仿真对比提供良好的实验测试环境。通过分析每个测试函数各自的特征,在2维、10维和100维三种不同空间维度下把14个测试函数分成了七种类型的测试环境。在优化后的算法基础上,针对七种不同类型的测试环境,本论文对每个群体的规模大小进行了相互间仿真对比分析,用以讨论不同环境下每个群体的规模大小与粒子群算法搜索最优值能力之间的关系。并总结出三个一般性的结论：1)在维数较低的环境下,每个群体粒子数较少时粒子群优化算法搜索最优值的能力会更好。2)处于低维与高维之间的环境下时,粒子群优化算法搜索最优值的能力在每个群体粒子数目较少与较多这两种情况下都相对较好,而在每个群体数目较少和较多中间数值的情况下,算法的搜索能力会相对弱一些。3)在维数较高的环境下,每个群体粒子数较多时粒子群优化算法搜索最优值的能力会更好。在文章的最后,本论文把得出的结论运用到肿瘤基因分类的高维度的仿真实验中,仿真实验结果进一步验证了优化后的分层分群粒子群算法在搜索最优值过程中的优越性,以及在基因表达数据分类检测过程中所保持的精确性和稳定性。