智能优化算法区别于传统的优化算法,以其在工程问题寻求全局最优解中的巨大优势,目前越来越受到人们的关注。模拟退火算法,蚁群算法,遗传算法和粒子优化算法等作为智能优化算法的重要组成部分,虽然出现时间较晚,优化机理不同,但都在解决函数优化与组合优化问题中发挥了巨大的作用特别是一些NP难问题。目前很多学者从事着这四种算法的研究,包括参数设计和理论探索,并且这四种算法有一种融合的趋势。粒子优化算法作为智能优化算法的一种,以其结构简单,参数设置少,收敛性强等优点成为了许多学者研究的首选,近些年出现了很多的研究成果。总的说来,粒子优化算法中各个粒子进化的每一代只跟两个值有关即群体最优位置和个体最优位置,在进化过程中单个粒子不断的从这两个值中获取信息,相应的调整自己的运动方向,从而达到自己的最佳位置,可以说对于这两个值的选取和组合直接影响到整个算法性能,而本论文就是以这两个值作为出发点所构建的。水平集理论自产生以后,目前主要运用于对图像的处理上包括图形分割和边缘提取,为此国内外也出现了很多的文献,近来,有学者把它应用于对遗传算法的优化上并且达到了很好的效果,从而开创了结合智能算法的水平集。本论文便是把水平集应用到对粒子优化算法的改进上,把水平集在智能算法上的应用更进一步。文章首先利用各个粒子对应的适应值构造一个水平集,然后结合水平集的选择功能以两种不同的方式对原有粒子优化算法进行改进即基于群体最优位置的水平集粒子优化算法(粒子进化只与群体中每一代最优位置有关)和基于个体最优位置的水平集粒子优化算法(粒子进化只与单个个体经过的最优位置有关),同时加入一定的变异算子和保优策略,从而提高算法的鲁棒性和收敛能力。整个算法过程与遗传算法类似,可以看成是粒子优化算法与遗传算法的一种融合。再次,对于提出的两种算法分别从理论和实验两方面进行分析和说明,针对在实验过程中所出现的问题提出相应的改进算法。最后,把新算法运用到如磁盘负载均衡等实际问题中,并且针对问题的特殊性调整算法优化过程,通过实验和对比得到算法在解决此类问题时的高效性。