最优化问题广泛存在于人类社会的生产与生活中,随着科学技术的发展以及相关问题复杂度的提高,人们对优化技术也提出了更高的要求。微粒群优化算法(Particle Swarm Optimization, PSO)是一种新兴的优化工具,它来源于对生物界鸟类觅食行为的研究,属于群智能优化算法的范畴。PSO算法思想简单,容易实现,通用性强,自提出以来,获得国内外相关领域专家学者的广泛关注,在众多领域得到了很好的应用。微粒群优化算法是一种有效的优化技术,然而无论是算法的理论基础还是实际应用都不够成熟,仍有许多问题值得研究。本文分析了微粒群优化算法的基本原理,重点研究了两群微粒群优化算法及量子微粒群优化算法,在此基础上,对PSO算法的改进和应用进行了相关的研究,具体工作如下:(1)在两群微粒群优化算法的基础上,提出了双群分段交换微粒群优化算法(TSME-PSO)。算法两分群采用不同的进化模型更新微粒的速度和位置,群体间进行微粒交换,整个搜索过程,不同阶段交换不同数目的微粒,且交换数目是逐渐减少的。相关函数测试结果表明,TSME-PSO算法优化性能良好,尤其在高维复杂问题上表现更为出色。(2)通过研究量子微粒群优化算法,并结合TSME-PSO算法的交换策略,提出了双群交换量子微粒群优化算法(TS-QPSO)。具有量子行为特征的微粒可以以某一确定的概率出现在空间的任何位置,极大的拓展了搜索空间。通过合理设置交换数目和交换方式,可以有效提高种群的多样性,改善算法的全局优化性能。仿真实验结果表明了TS-QPSO算法的可行性和有效性。(3)将提出的改进PSO算法—TSME-PSO算法和TS-QPSO算法,应用于求解带时间窗的车辆路径问题(VRPTW)。本文给出了具体的VRPTW问题编码方法,并详细介绍了求解VRPTW问题的流程与步骤,实验结果表明改进的PSO算法在求解VRPTW问题上具有较好的收敛性能,求解效果优于基本PSO算法。