作为群智能优化算法的一种,粒子群优化算法由于其原理和实现简单、需调控参数少且在处理连续优化和离散优化问题中都表现出良好的效果,因而一经提出就成为智能优化领域的一个研究热点。目前已经被广泛应用于目标函数优化、神经网络训练、模糊控制系统等许多领域。然而,粒子群优化算法因其特殊的迭代机制存在一些缺点,如早熟收敛、易陷入局部最优等。因此,为了进一步提升PSO算法的性能,防止粒子陷入局部最优并拓展其应用范围,本文做了如下工作:(1)为了提高PSO算法解决大规模数值优化和工程设计问题的能力,提出了一种基于天体物理学“分裂”现象的自适应改进PSO算法,即分裂PSO算法(Disruption PSO,DPSO)。在DPSO算法中,Cauchy变异被用在全局最优粒子的某个随机选择的维度上,以帮助粒子跳出局部最优。同时,一种基于迭代次数t的自适应分裂算子用于增强种群的多样性,从而更好地平衡算法全局探索和局部开采的能力。最后将九个著名的大规模无约束优化问题、十个复杂的平移和旋转函数以及四个著名的工程约束问题用于验证所提算法的性能。试验结果和统计分析验证了所提的DPSO算法的有效性。(2)提出一种基于混合策略的ANN-HPSO-CA算法去优化人工神经网络。首先,为了更好地平衡算法的全局探索和局部开采能力,防止粒子陷入局部最优,将元胞自动机(Cellular Automata,CA)策略与基于人类社会行为的粒子群优化算法(Human Behavior-Based Particle Swarm Optimization,HPSO)混合,称为HPSO-CA,并通过6个复合(组合)函数的仿真实验验证了HPSO-CA算法的收敛性能。其次,将所提出的HPSO-CA算法用于训练ANN,以帮助ANN跳出局部最优。最后,为了验证ANN-HPSO-CA的性能,选择15个复杂的数据集用于验证所提算法的性能。试验结果和统计分析表明所提算法具有优异的性能。