粒子群优化算法作为群体智能算法中的重要组成,在人工智能领域上大放异彩,成为世界各国算法研究者研究的热点问题。因其参数少、表达简单、易于实现、高效等优点已经应用在许多现实优化问题中。但在面对复杂的多峰值、高维度、多噪音点的问题时,粒子群优化算法在寻优过程容易陷入局部最优,过早地收敛造成收敛精度低的问题。论文以多种群粒子群优化算法为研究对象,就粒子群优化算法容易陷入局部最优的问题展开深入研究,主要工作如下:(1)从粒子数量和种群数量角度研究种群规模对多种群粒子群优化算法性能影响,仿真实验证明粒子数量越多,种群数量越多,算法陷入局部最优的风险越小,收敛结果越优秀。(2)从种群划分方式的层次研究逻辑随机分组与物理位置分组对多种群粒子群优化算法性能的影响,并提出了一种基于聚类实现动态分组的多种群粒子群优化算法,仿真实验表明通过聚类实现动态分组的多种群粒子群优化算法动态分组过程稳定,具有可行性和有效性,且在全局搜索能力和收敛速度方面,与其他一些优秀的改进粒子群优化算法相比,具有较高的求解精度。同时,实验结果分析表明动态分组的多种群粒子群优化算法在寻优过程中需要消耗更多的计算资源。(3)将动态分组的多种群粒子群优化算法应用至云计算资源调度的问题中,分析服务提供商的利润模型,构建适应度函数,实验结果分析得出动态分组的多种群粒子群优化算法在应用实例中表现突出。针对粒子优化算法易陷入局部最优的弊端,论文工作为粒子群优化算法预先设定粒子数量和种群数量提供了参考意见,提出的动态分组多种群粒子群优化算法在收敛精度性能上有着不错的表现,同时具有一定的应用价值。