粒子群算法作为重要的群智能优化算法之一,已被应用到各种优化问题的求解中,取得了较好的效果。但是在求解大规模优化问题时仍存在优化效率低,收敛速度慢以及种群多样性缺失等问题。基于此,本文对粒子群算法进行改进,提高粒子群算法的优化性能,主要工作如下:1.为改善社会学习粒子群算法的优化性能,将分组策略及反向学习思想引入算法中,进而提出一种基于分组策略的改进粒子群算法,并用于求解大规模优化问题。首先,借鉴分组策略将粒子的维度分为若干组,同时按照粒子的适应度值将种群分为优势粒子组与非优势粒子组。并设定优势粒子组中的粒子直接进入下一代,而对于非优势粒子组中的每个粒子,位于同一组中的维所对应的信息通过学习相同示范粒子对应维的信息,实现粒子的进化;其次,借鉴反向学习思想对种群中一定比例的粒子实施反向学习机制,通过生成反向解,提高算法的全局寻优能力;最后,采用CEC2010测试函数集对所提算法进行测试,并与已有典型算法结果进行对比,验证了所提算法的有效性。2.在对个体性能分析的基础上,设定分层学习策略以及贡献值策略,进而提出一种基于分层学习的改进粒子群算法,并用于求解大规模优化问题。首先,为了充分发挥不同状态的粒子在开发和探索空间的能力,设定分层学习策略,即根据粒子的适应度值对种群进行分层,并令第一层的粒子仅向当前层粒子进行学习,其余层的粒子向当前层及前一层粒子学习,这种对种群中不同状态粒子差别对待的更新方式,增强了算法的探索与开发能力;其次,通过度量不同迭代周期中最优个体适应度值的波动大小,设定贡献值策略,并在贡献值的基础上调整种群更新公式中的参数,同时对种群中的粒子执行删减策略,从而减少计算资源浪费,提高算法的收敛效率;最后,使用CEC2010测试函数集对所提算法进行测试,并与5种典型算法进行对比,验证了所提算法的有效性。3.在分层学习粒子群算法的基础上,对种群的更新策略进行改进,进而提出一种改进种群更新策略的粒子群算法,并用于求解大规模优化问题。首先,在种群进化过程中将种群均分为多个子种群;其次,设定优势粒子库,并对每个子种群设定不同的学习因子,分别进化,再将更新后的子种群合并为新种群参与进化,提高算法的全局寻优能力;最后,采用CEC2010测试函数集对所提算法进行测试,并与7种典型算法进行对比,验证了所提算法的有效性。