随着经济、社会的发展,人们越来越深刻的认识到决策问题和优化问题的重要性,一次正确的决策、一次有效的优化往往能带来巨大的现实效益,这便为规划模型及优化算法的发展提供了强大的动力支持和广阔的研究前景。微粒群算法是依据仿生思想衍生而来的一种较新的群智能算法,由于其原理简单,实现容易,鲁棒性好等特点,在训练神经网络、优化问题、数据聚类等许多领域都有着广泛应用。因此,对微粒群算法的研究成为当前智能算法研究的热点。本文通过对微粒群算法理论基础的学习和研究,针对其搜索过程中由于早熟收敛而易陷入局部最优的缺点,本文提出了两种改进思路:无效微粒重利用和引入适应度速度。通过无效微粒的重利用、群体结构的适时调整及速度公式的变更,对传统的微粒群算法进行了改进。通过数值实验对比,改进的微粒群算法能够更好的实现全局搜索和快速收敛,有效避免了算法早熟现象。如今,随机规划理论及应用已日趋成熟,应用范围逐步扩展,在许多领域表现出了重要作用,赢得了普遍关注。本文在对微粒群算法改进的基础上,综合利用改进的微粒群算法与支持向量回归机,并针对各类随机规划问题模型自身的特点提出相应的混合智能算法加以求解。在混合算法中,支持向量回归机主要用于对含有随机变量的函数进行学习、逼近,进而实现对目标函数及约束条件的量化评估,在此基础上,利用微粒群算法,通过一定数量的微粒在满足约束条件的可行空间中的广泛探索,实现对随机规划问题最优解的发现。最后,通过实验验证,证明该混合算法应用于求解不确定规划问题是可行有效的,并且在求解精度和速度上优于传统的混合智能算法。