现实世界中,约束优化问题广泛存在于科学、工程、经济、国防等各个领域,随着优化问题复杂性的增加,传统确定性方法存在一定的局限性,为此寻求更有效的方法成为人们探索的热点。近年来,智能优化算法尤其是进化算法取得了较大发展,在一些文献中进化算法表现出较好的约束优化处理能力,而微粒群算法作为一种新颖的智能算法在约束优化问题上的研究成果大多还不够理想,因此有必要进一步研究微粒群算法处理约束优化的能力。本文旨在改进微粒群算法,使其能更有效地处理约束优化问题。本文的研究工作集中在以下三个方面:(1)针对约束优化问题中约束满足与目标优化难以权衡的问题,通过引入不可行的历史最优位置,加强微粒在可行域边界的搜索,从而提出了泛学习微粒群算法。文中分析了较好不可行解在不同进化阶段具有的向导作用,仿真实验结果表明了方法的有效性。(2)针对上述算法容易出现早熟的缺点,结合模拟退火算法的概率突跳能力对微粒群算法中的全局最优位置进行更新,提出了随机微粒群算法,仿真实验表明改进后的随机学习微粒群算法增强了全局搜索能力,一定程度上克服了算法早熟的缺点。(3)为了解决以上算法在强约束优化问题上难以产生初始可行解的问题,利用可行性规则更新历史最优位置,提出了自适应学习微粒群算法,新算法中添加了算术交叉算子和引入动态社会学习系数,仿真实验表明:在可行域较小时,新算法明显改善了原算法搜索质量和效率。