优化问题广泛存在于生产计划调度、车辆路径规划、控制器参数设置等多个不同领域。随着科技的发展和信息技术的进步,越来越多的群体智能算法和进化算法应用于协助解决实际中的优化问题,其中粒子群算法因原理简单、参数少、收敛速度快等特点而成为近些年来学术界的研究重点。然而,粒子群算法在应用中存在算法无法克服局部最优、算法的多样性较差等不足,研究寻优效果更好的粒子群算法具有重要意义。本文基于资源调度类优化问题的实践需要和国内外粒子群优化算法的研究进展与趋势,分析粒子群算法的结构特点,提出一种提升粒子群优化算法整体性能的分阶段改进组合策略,并分别针对单目标约束优化问题和多目标优化问题提出相应的粒子群改进算法,通过相关问题模型和经典函数进行仿真实验检验改进方法的有效性,以工业实际案例验证改进方法的实用性。本文主要研究内容如下:针对粒子群算法克服局部最优、提高求解精度和缩短求解时间的整体性能提升问题,在研究粒子群算法结构分为种群“探索”和“开发”两个阶段的基础上,采用分阶段从算法参数、算法结构、多算法融合三个方向进行组合改进的研究思路,提出一种分阶段改进组合的框架:在种群“探索”阶段,通过粒子疏散操作并向精英粒子学习,扩大种群的搜索范围,提升算法跳出局部最优的能力;在种群“开发”阶段,通过粒子有方向性迁移操作提升种群质量,加快种群的收敛,缩短算法输出结果的时间;针对种群精英粒子采用竞争的局部搜索,提升最终的求解质量。通过平衡各阶段的改进策略,实现算法总体性能的提升。针对单目标约束优化问题存在约束限制的特点,在分阶段改进组合框架下提出分阶段改进组合策略的单目标约束粒子群算法。基于一种可行的初始化策略,在“探索”阶段计算种群粒子熵,选择精英粒子引导密集区域的粒子疏散。修复未满足约束的粒子,在“开发”阶段将较差粒子迁移到最优区域内,通过对全局最优的竞争局部搜索提升输出解的精度。以实际的云计算任务调度模型求解,与经典单目标进化算法进行比较,验证本文提出的分阶段改进组合策略对粒子群算法的求解质量、求解时间等性能的提升作用。针对多目标优化问题存在输出非单一最优解的特点,提出分阶段改进组合的多目标粒子群算法。基于组合方法,重点在“探索”阶段通过疏散密集粒子,扩大种群的搜索范围,在“开发”阶段通过对非支配粒子的质量提升和档案库的竞争搜索,丰富Pareto前沿面的分布。通过改进策略的组合实现算法生成的Pareto最优贴近真实前沿。以经典的多目标测试函数仿真实验,验证优化策略在前沿面分布、结果多样性等指标上对多目标粒子群算法求解性能的显著提升,进一步证明本文提出的分阶段改进组合方法的有效性。将本文提出的分阶段改进组合方法应用到某机车螺栓装配管理平台的深度学习参数优化项目,提出改进的ISPSO-CNN算法,帮助提升图像识别的正确率,解决工业装配应用的实际问题,证明分阶段改进组合策略的实用性。