群体智能优化算法是一类通过模拟自然界生物行为的随机优化算法,它既不需要复杂的约束条件,也不用对特定问题创立相应的数学模型。因此,群体智能算法发展成为求解复杂优化问题的经典方式之一。粒子群算法是通过对鸟群的飞行行为与觅食活动进行模拟仿真而提出的,又因为其参数少、容易实现等优点成为科学理论研究的热点,同时还被广泛的应用于求解各类实际应用问题。然而在对复杂或大规模优化问题进行求解时,粒子群优化算法往往无法保持种群多样性,并存在过早收敛和过分依赖参数取值等问题。因此,对粒子群算法进行深层次的研究并探索更大的应用空间是十分有必要的。本文的具体研究工作如下:1.针对粒子群优化算法在求解复杂优化问题时易陷入局部最优和依赖参数取值等问题,提出独立自适应参数调整的粒子群算法。算法首先定义了种群适应度方差、粒子进化能力以及进化率等概念,并在此基础上给出了惯性权重及学习因子的独立调整策略。通过实验证明了该算法不但能有效的调节粒子的自我认识和社会认知能力,而且能有效的平衡局部搜索与全局搜索能力。2.针对粒子群算法的种群多样性难以维持,收敛速度及精度不高的问题,提出双策略协同的粒子群算法。该算法以粒子的适应度值和进化能力作为指标对种群进行动态划分,根据子种群的性质不同分别采用粒子重构策略和差分变异策略。通过对比实验发现,该算法不仅能有效的维持种群多样性,避免落入局部极值,算法的收敛性能也有所提升,尤其在求解高维复杂优化问题时更能突显出其求解的高效性。3.为验证算法的有效性与实用性,将改进算法应用于求解柔性作业车间调度问题,该问题无论是在组合优化还是实际生产中都具有较广泛的研究价值。本文中选用了4种求解柔性作业车间调度问题的优秀算法作为本文算法的对比算法,实验结果表明本文算法具有找到更理想调度方案的能力,有力的证明了该算法的高效性与现实意义。