最优化是人们在工程技术、科学研究和经济管理等诸多领域中经常遇到的问题，在21世纪的信息时代，其理论和技术必将在社会的各个方面起着越来越大的作用。作为一种新的群体智能方法，粒子群算法PSO是一个非常有前景的工具，在处理高维的以及缺乏领域知识的问题时尤其有用。该算法的灵感来源于社会心理学和人工生命，致力于模拟个体间的社会交互，具有收敛速度快、通用性强等优势，自1995年被提出之后得到了数值优化领域的广泛关注。 如何加快粒子群算法的收敛速度和避免出现早熟收敛，一直是大多数研究者关注的重点。克服早熟收敛的措施主要是设法保持种群的多样性，或引入跳出局部最优点的机制。在加快收敛速度方面，主要的工作集中在如何选择最优的算法参数，以及从其他智能优化算法中借鉴一些思想对PSO算法的主要框架加以修正。但这些研究者多数属于纯科学计算或工程应用领域，他们只专注于结果而不探究原因，更少有人深入考虑粒子群算法的社会心理学渊源。 本文在研究过程中，注重从社会心理学和生物学角度考虑如何改善粒子群算法的性能，详细研究了粒子群与一种成熟的局部搜索技术——单纯形法的结合，并探讨了几种社会影响力传播方式和小世界网络模型对改进粒子群算法的启发。论文的主要工作和创新点包括： (1) 研究了粒子群与单纯形法结合的多种混合算法 受启发于混合遗传算法memetic以及生物体的获得性遗传机制，将粒子群算法与非线性单纯形法NSM相结合，研究了多种不同的结合形式，包括：用单纯形法产生初始种群；将单纯形寻优发展成PSO中一个新的进化算子；在PSO算