最优化问题是日常生活、理论研究和生产实践中经常遇到的问题。随着科学技术研究的深入开展,在科学理论研究和工业领域内的最优化问题呈现出多模态、非线性、约束复杂等特性,传统的数学方法已无法实时高效解决这类问题。这使得研究人员将目光投向了进化计算方法,如遗传算法（GA）、粒子群优化（PSO）等。粒子群优化作为其中典型算法之一,由于PSO算法原理简单、收敛速度较快且易于实现被广泛应用于单目标、多目标优化领域。但粒子群优化也存在易于陷入局部最优区域造成算法早熟收敛、收敛精度差等缺陷。因此,如何有效的保持种群多样性,避免粒子陷入局部最优,加快种群的收敛速度一直是许多学者关注的焦点问题。本文针对粒子群优化算法种群寻优过程存在的不足,融入模拟退火算法概率选择特性进行了相关改进,其主要研究内容如下:1.介绍了最优化问题的几种传统数值解法与新型的随机优化法。阐述了粒子群算法基本原理,分析了算法优缺点以及各参数对算法性能的影响。分析讨论了带惯性权重的粒子群优化、带收缩因子的粒子群优化等经典改进粒子群优化。2.分析了粒子群优化在多目标优化问题领域中的优势。结合粒子群优化与多目标优化的特性,分析了单目标粒子群优化与多目标粒子群优化的不同,同时介绍了多目标粒子群优化性能的三个关键问题:个体极值的确定、全局极值的选取、外部种群多样性的维护,并介绍了相应的改进思路。3.分析了粒子群陷入局部最优的原因,提出了一种基于Metropolis准则的自适应模拟退火粒子群优化（ASAPSO）。ASAPSO采用一种新的自适应极值惯性权重方式,平衡粒子种群的全局搜索和局部搜索过程,构建了粒子飞行学习交流的中心粒子。粒子以一定概率跟随中心粒子引领向着全局最优解不断逼近,能有效避免粒子群体陷入局部最优区域。仿真实验表明:相比其他测试算法,ASAPSO在多种标准测试函数中收敛率与收敛精度相较均有着明显的提高,能有效提高粒子种群的寻优效率。4.将图像分割问题看作多目标优化问题,选取最大类间方差与最大熵准则构建适应度函数,提出一种多目标模拟退火粒子群混合优化（MOPS—SA）并应用于图像分割问题。MOPS—SA在寻找到的一种非支配解中,按照加权比值选取出1个非支配解作为最佳阈值组合对图像进行分割。在多幅Berkerly图像上的分割实验表明。所提出的分割算法在视觉效果上有很大改善,能有效提高图像分割效果。