扩展微粒群算法(EPSO)是通过模拟生物社会群体智能行为而构造的一个新颖的算法，由于生物社会是一个自组织的网络结构，EPSO算法若能模拟生物社会网络结构的自组织演化过程，则能更加真实地模拟生物群体的智能行为。针对无向自组织种群拓扑结构在EPSO算法上的不足，本文构造了有向自组织种群结构，并对其拓扑结构特征以及结构中特征度量的演化与EPSO算法性能之间的关系等进行了研究。首先，设计了不同的静态有向种群结构，研究静态有向种群结构的特征度量对EPSO算法性能的影响，以利于指导有向自组织种群拓扑结构的构造。通过实验仿真，得出了微粒的出度值和适应值是影响EPSO算法局部搜索与全局搜索能力的重要因素等结论。其次，以EPSO算法在静态有向种群结构研究中的相关结论为指导，提出了EPSO-DSOTIS算法。该算法在节点量固定不变的条件下，建立了节点入度值按照适应值择优选择学习对象而出度值逐渐减小的有向自组织种群结构演化机制，将其作用于EPSO算法。仿真实验表明了该算法加快了群体中最优信息的传播速度，提高了EPSO算法的局部搜索能力。最后，为了进一步提高EPSO算法的局部搜索能力，提出了EPSO-DSOTDC算法。该算法在EPSO-DSOTIS算法的基础上结合实际社会生活中存在动态复杂网络以及生物群体优胜劣汰的思想，建立了节点删除与补偿的节点量动态变化的有向自组织种群拓扑结构演化机制。通过仿真实验，得出随着算法的不断进化，有向种群结构中多样性值逐渐减小等结论，说明了EPSO-DSOTDC算法在EPSO-DSOTIS算法的基础上进一步提高了EPSO算法的局部搜索能力。