随着智能化时代的到来,世界迎来了发展人工智能技术的高潮。人工智能技术正作为一种重要的驱动力量,不断影响着现代产业。智能优化算法作为人工智能的一个重要分支,已经成功应用于众多工程领域。本文以粒子群优化算法为基础,面向太阳能光伏模型参数辨识问题(建模为单目标无约束优化问题)和电力系统经济调度问题(建模为单目标约束优化问题),分别提出了改进算法为问题提供有效的解决方案。太阳能光伏模型参数辨识问题,是要求辨识光伏模型中重要的参数,从而获得精确的光伏模型,它对太阳能的高效利用具有重要意义。该问题可以建模成单目标无约束优化问题。针对该问题,本文提出了一种基于分类扰动变异的粒子群优化算法。其中,分类扰动变异策略用于平衡种群的全局搜索能力和局部搜索能力。阻尼边界处理方法用于解决基本的粒子群优化算法在处理光伏模型参数辨识问题时容易陷入边界附近的局部最优情况。为了验证所提算法在处理光伏模型参数辨识问题时的性能,采用单二极管模型、双二极管模型、光伏组件模型和在不同光照强度或不同温度条件下的光伏组件模型进行仿真实验。实验结果表明,所提算法在光伏模型参数辨识问题上可得到较优的结果。上述光伏模型参数辨识问题归结为单目标无约束优化问题,但在实际工程应用中,优化问题往往有着一些约束条件的限制,如电力系统经济调度问题,它是一种单目标约束优化问题,即指电力系统在一定的约束条件限制下,通过合理地调整机组的输出功率,以达到最佳的经济效益。相比于光伏模型参数辨识问题,它在优化目标的基础上,增加了一些约束条件的限制,这使得对电力系统经济调度问题的求解变得更为困难。针对电力系统经济调度问题,本文提出了一种基于分割点的约束粒子群优化算法。在该算法中,通过设置分割点将广义反向学习策略和改进变异交叉策略混合至基本的粒子群优化算法中,同时,应用可行性规则作为约束处理技术用于比较解。在实验部分,所提算法在CEC2006中的22个测试函数中的测试验证了所提算法在处理单目标约束优化问题的有效性。同时,在电力系统的6发电机组和15机组的案例上对所提算法进行验证。实验结果表明,所提算法可有效解决含功率平衡约束、斜坡速率约束和禁止运行区间等多约束的电力系统经济调度问题。