粒子群优化算法(Particle Swarm Optimization,PSO)是一种模拟鸟类群体行为的群智能算法,该算法具有参数少、搜索机制简单和全局搜索能力强等优点,因此近年来被广泛关注和研究,已被成功应用于函数优化,图像处理和路径优化等多个领域。但PSO算法缺乏扎实的理论基础,在算法的优化过程中,PSO算法往往很难平衡算法收敛精度和种群多样性之间的关系,在算法搜索的过程中也存在容易陷入局部最优解或早熟的现象。本文在前人的基础上,针对粒子群算法在连续优化问题和离散优化问题上的一些问题进行了一系列的改进,主要工作如下:(1)提出一种基于适应度的多角色粒子群优化算法(A Fitness-based Multi-role Particle Swarm Optimization,FMPSO)。在该算法中首先将“局部学习”引入了粒子的速度更新规则中,充分的利用了优势粒子的信息;其次引入角色分配机制,即在每一代中根据粒子的适应度值将其分为三类,即优势个体、普通个体和劣势个体,不同角色的粒子选择不同的参数进行速度更新,从而赋予种群更丰富的搜索行为;然后通过两种调整算子来调节粒子的角色和学习维度,用以解决算法进化过程的停滞问题;最后运用基于BFGS拟牛顿法的局部搜索策略进行局部搜索,提高算法的收敛精度。该算法分别在测试集CEC2005和CEC2013这两个测试集上与其他对比算法进行对比实验,实验表明,该算法在全局搜索能力,求解精度和收敛速度等方面都表现优异。(2)提出了一种基于适应度的协方差矩阵自适应多角色粒子群优化算法(A Fitness-based Covariance Matrix AdaptationMulti-role Particle swarm optimization,CMA-FMPSO)。该算法将CMA-ES的学习机制引入了FMPSO算法中,进一步提升了算法性能。在本算法中,首先引入了多元正态分布来进行种群初始化,并用于后续的种群更新;其次采用了多模态个体最优的更新机制去更新Pbest,从而更大程度的利用优势信息。该算法在测试集CEC2017上与其他对比算法进行了对比实验,实验表明,该算法在复杂问题的表现以及收敛性方面优势明显。(3)提出了一种基于概率模型的混合粒子群算法(A Probabilitic and Deterministic Hybrid Particle Swarm Optimization,PDHPSO)。该算法以添加遗传算子的离散型混合PSO算法为基础进行一系列相关策略的改进,用于求解旅行商问题。该算法中,首先对种群进行了概率性的初始化,其次分别对交叉算子和变异算子进行了改进,以便更好的使用有效的信息指导种群进化。实验表明,改进后的离散型混合PSO算法在求解旅行商问题上优势明显。