最优化问题广泛存在于科学研究和工程应用中的诸多领域,因此研究高效率的优化技术具有十分重要的意义。仿生算法具有限制少、求解快和易于实现等优点,已经成为解决最优化问题的重要方法。作为仿生算法中的一种,粒子群优化算法因具有算法结构简单、收敛快速等特点而得到了广泛的应用。种群所具有的记忆能力是粒子群算法的重要特征之一,然而种群记忆信息在目前大多数粒子群算法中只是被用于对种群搜索行为的引导。因此,将种群记忆信息进行筛选和整合以得到深层信息并予以利用,是粒子群算法一种潜在的优化和改进途径。部分粒子群算法虽然也存在对种群记忆信息进行额外的处理和利用的做法,但是从研究的系统性和深度上还存在一定欠缺。本文从种群记忆信息整合的角度,对粒子群算法进行改进并应用到工程问题的求解上,具体研究内容包括以下几点:1)粒子群算法运行过程中产生并保存在记忆中的精英个体对于算法的最终寻优结果具有关键性的影响。基于此,本文提出一种适用于单目标粒子群算法的记忆信息整合方法--精英提升策略。该策略在恰当的时机,将粒子群算法运行过程中产生的精英个体基于特定算子进行重构来生成新个体,并进而利用这些新个体中的优胜者来对相应精英个体进行替换以达到提升精英个体的目的,从而提高算法的全局搜索能力。文中分析了四种精英提升算子的搜索特点,然后将这些算子应用在标准粒子群算法及量子粒子群算法上,并在两组被广泛使用的测试函数集上对这些精英提升算子的性能进行了对比。为了证明精英提升策略的高效性,进一步将基于转座子算子的精英提升量子粒子群算法(EPQPSO(TRANS))以及基于差分进化算子的精英提升量子粒子群算法(EPQPSO(DE))分别与四种先进的算法进行了比较,实验结果表明本文所提出的这两种算法分别在相应的测试函数集上具有更强的寻优能力、更快的收敛速度及更好的稳定性。2)在精英提升策略框架上,本文结合电力经济分配问题的特点提出一种双重精英提升量子粒子群算法(DEP-QPSO-EDP)。双重精英提升策略包括前述的精英提升策略和直接利用精英个体的信息来提升粒子质量的策略。针对电力经济分配问题的复杂多约束条件,本文还提出一种改进的,具有较低运算负荷的启发式的粒子位置修复方法来降低每次搜索中解的约束违反程度,同时还引入一种与启发式约束处理配合使用的方法来更新粒子群的个体最优pbest和全局最优gbest。在三种具有不同特性的典型算例上与多种先进算法的对比实验结果证明了DEP-QPSO-EDP算法能更有效率地及更稳定地求得更优的可行解。3)提出一种基于贝叶斯定理,适用于量子粒子群算法的记忆信息整合方法。该方法主要根据搜索过程中粒子与平均最优位置之间的适应度之差的累积信息来对粒子后续行为进行预测,并通过分别地及自动地对算法中的参数或系数进行调整来为不同粒子施以差异化的引导,从而提高算法的搜索效率。基于该方法所提出的记忆信息支持的变异量子粒子群算法(QPSO-MuM)被应用于图像分割的多阈值选取。在Berkely图像集上的仿真实验结果显示,与另外三种基于粒子群的图像分割算法相比较,QPSO-MuM算法可以取得更清晰的分割结果且具有良好的稳定性。4)提出一种针对多目标粒子群算法的记忆信息整合方法--精英播种策略。该策略从存放精英解的外部档案中选取部分精英解并利用以转座子算子为主的多种算子对这些精英解进行重构来生成新种群,以此来克服传统的粒子群搜索方法所导致的早熟收敛问题。基于该策略所提出的多目标粒子群算法ESMOPSO-T还通过一个周期惯性权重方案来提高粒子的搜索效率。在两个标准多目标测试函数集上进行的仿真实验结果表明,ESMOPSO-T算法与现有的两种先进的多目标遗传算法及另一种先进的多目标粒子群算法相比,能得到收敛性和分散性都具有高竞争力的Pareto最优解集。5)针对油田无线传感器网络节点部署问题的特点,建立了综合考虑建设经济成本以及建设维护复杂度等因素的多目标优化模型。并在前述ESMOPSO-T算法的框架上提出了一种用于求解该优化问题的多目标离散粒子群算法ESMOBPSO-T。ESMOBPSO-T算法的要点包括与问题相关的二进制编码方案,无需参数的约束处理方法以及用于增强粒子搜索效率的混合搜索方法。在该优化模型上的求解结果显示,与三种先进的进化算法对比,ESMOBPSO-T算法可以得到更为逼近Pareto真实前沿及覆盖范围更广的解,这有利于油田无线传感器网络节点的合理部署。