为了平衡粒子群算法多样性与收敛速度，本文在Memetic框架下结合多属性决策，提出基于直觉模糊Memetic双种群混合优化算法.算法采用探索与开发分布式策略，在探索阶段，设计了社会强化算子和碰撞反弹算子提升种群多样性与勘探更多新区域；通过建立直觉模糊多属性决策对探索区域综合评估并生成可能存在的全局最优解区域，进而指导具有拉马克学习的开发种群进行局部精细搜索，实现不同策略下种群间的分布式协作与计算资源的合理分配.通过与其它5种新型进化算法在23个基准函数测试结果中体现出本算法具有更好的综合优化能力.

针对鲸鱼优化算法容易陷入局部极值和收敛速度慢的问题，提出了一种结合自适应权重和模拟退火的鲸鱼优化算法.通过改进的自适应权重策略来调整算法的收敛速度，通过模拟退火增强鲸鱼优化算法的全局寻优能力.仿真实验中计算了18个测试函数，对比了粒子群算法、海豚回声定位算法和标准鲸鱼算法并进行统计分析，同时比较了单独结合自适应权重和模拟退火对鲸鱼优化的影响，结果表明，改进的算法在测试函数的极值计算中，计算精度和收敛速度方面都有了明显提升，验证了改进算法的有效性.

实际生产生活中大量多选一的问题都可以转为多选择背包问题（MCKP），但MCKP是一个经典的NP难问题，因此对于超大规模MCKP而言，往往只能利用粒子群算法、狼群算法、鱼群算法等群智能算法对问题进行求解.对于群智能算法而言，高效快捷的贪心算法对于初始解的生成起着至关重要的作用.基于凸帕累托算法（CPA），提出一种能够快速求解线性支配子集的改进帕累托算法（IPA）.IPA首先选择各类项集的质量最小项，然后计算所有物品的价值密度，最后按照价值密度从高到低选择对物品进行贪心选择，若贪心选择项的价值大于其所在项集原有选择项，则进行迭代.仿真实验结果表明：IPA相比于CPA，求解速度平均提升98.86%.且PSO-IPA求解精度平均提升28.92%.

为了对分数阶超混沌系统中的未知参数进行准确估计，提出一种量子混沌粒子群优化算法（Quantum chaos particle swarm optimization，QCPSO）.该算法通过对量子粒子群优化算法（Quantum behaved particle swarm optimization，QPSO）的实现机理进行分析，并结合量子纠缠与混沌系统之间的相关性而实现.首先，将量子势阱中心视为混沌吸引子围绕的不动点，处于吸引子外部的粒子会逐渐聚集于吸引子之内，而处于吸引子内部的粒子会出现快速分离扩散的现象；然后，采用基于随机映射的粒子更新机制，充分保证混沌粒子的初值多样性；最后，提出了基于不动点中心的尺度自适应策略，解决了算法后期的搜索停滞问题.运用QCPSO算法对典型分数阶超混沌系统参数进行估计，结果表明，该算法在收敛速度与精度上优于改进的差分进化算法、自适应人工蜂群算法以及改进的量子粒子群优化算法.

为了提高多目标粒子群优化算法解的分布性，文中提出了一种自适应分解式多目标粒子群优化算法（Adaptive Multiobjective Particle Swarm Optimization based on Decomposed Archive，AMOPSO-DA）.首先，设计了一种基于优化解空间分布信息的外部档案更新策略，有效提升了AMOPSO-DA的空间搜索能力；其次，提出了一种基于粒子进化方向信息的飞行参数调整方法，有效平衡了AMOPSO-DA的探索和开发能力.最后，将提出的AMOPSO-DA应用于多目标优化问题，实验结果表明，文中提出的AMOPSO-DA能够获得分布性较好的优化解.

针对多目标粒子群优化算法种群规模难以确定的问题，文中提出了一种基于收敛速度和多样性的多目标粒子群优化（Convergence speed and Diversity-based Multi-Objective Particle Swarm Optimization，CD-MOPSO）算法.首先，利用优化过程的收敛速度和多样性指标构造种群规模适应度函数，完成了种群规模与优化性能关系的描述；其次，基于适应度函数设计了一种种群规模自适应调整方法，实现了种群规模的动态调整；最后，将提出的CD-MOPSO在基准优化问题ZDT上测试并应用于城市管网优化，实验结果显示CD-MOPSO能够根据求解问题自动调整种群规模，与NSGA-Ⅱ、MOPSO、SPEA2和EMDS-MOPSO相比具有更快的收敛速度和更好的优化结果.

由于室内多径信号丰富且包含了室内几何信息，可以利用室内多径信号对目标进行定位.基于此，本文提出了一种多径辅助的目标定位算法.首先，利用多径信号的差分飞行时间（Time of Flight，TOF）构建关于目标以及散射体位置的适应度函数；然后，提出了基于粒子群优化（Particle Swarm Optimization，PSO）的目标及散射体位置联合搜索算法，其中利用目标及散射体到达角（Angle of Arrival，AOA）确定搜索范围；其次，选取搜索到的散射体位置联合差分TOF求解目标位置；最后，利用仿射传播聚类（Affinity Propagation Clustering，APC）对所有散射体估计到的目标位置进行聚类，提出聚类准则消除大的定位误差点.仿真结果表明，本文所提算法利用单个基站可以达到较高定位精度.

为平衡粒子群算法勘探与开发能力，本文提出混合均值中心反向学习粒子群优化算法.算法将所有粒子和部分优质粒子分别构造的均值中心进行贪心选择，得出的混合均值中心将对粒子所在区域进行精细搜索.同时对混合均值中心进行反向学习，使粒子能探索更多新区域.将本文算法与最新改进的粒子群算法、人工蜂群算法和差分算法在多种测试函数集上进行比较，实验结果验证了混合均值中心反向学习策略的有效性，算法的综合优化性能更强.

为了提升粒子群算法的全局寻优与局部精细搜索能力并加快收敛速度，提出了基于直觉模糊熵的混合粒子群优化算法.该算法采用粒子的历史最优解信息构造直觉模糊熵的自适应函数，并将熵值作为扰动因子动态调节惯性权重，同时建立自适应全局最优粒子学习策略对扰动后的粒子进行训练，在保持多样性传播的基础上选择学习对象，使粒子探索更多新区域，实现种群间的协作与并行进化.通过仿真实验，将本文算法与两种衍生算法以及其他改进粒子群算法在11个测试函数上进行比较，结果表明，本算法在求解精度、收敛速度和寻优效率上均有更好表现.