随着科技的发展,传统的优化算法求解最优问题存在局限性,智能优化算法给优化问题的求解提供了新思路。粒子群算法是模拟生物群体行为的一种随机智能算法,与传统优化算法相比,具有流程简单、控制参数少、易于实现。但粒子群算法理论体系不够完善,存在易早熟收敛、陷入局部极值。在大量阅读和实践的基础上,本文主要从粒子群优化算法的执行流程;粒子位置更新参数,如惯性权重、学习因子;对算法采取一些策略,如反向学习、极值扰动、高斯变异、柯西变异等以及粒子群与其它智能算法结合进行了深入的研究。从对粒子群的参数改进,粒子群策略的改进以及改进粒子群的应用进行了仿真实验,与一些知名的改进算法相比,本文改进的算法具有优势。本文的主要工作包括:(1)提出了一种基于扰动的精英反向学习粒子群算法。通过加强精英粒子的引导作用,以一种非线性递减方式改变权重来平衡粒子各阶段的搜索,扰动的方式增强算法局部搜索能力。(2)提出一种基于多策略协同作用的粒子群算法。通过概率阈值来确定使用的策略,小于阈值时,采用反向学习策略,大于阈值时,通过高斯变异策略增强粒子群体的多样性,同时使用柯西分布比例参数线性变化策略更好的引导粒子向最优解空间运动,协同利用各个变异策略的优势,提升粒子群算法的性能。(3)提出一种改进的粒子群与蚁群混合算法求解TSP。通过采用贪婪算法初始微粒位置,采用与全局最优粒子自适应交叉变异策略,避免粒子陷入局部最优。