粒子群优化算法是智能优化算法的典型代表，它的特点是简单、收敛速度快，且所需领域知识少。它可用于求解大部分的优化问题，并在经济与工程实践中表现出巨大潜力，已广泛应用于神经网络、模糊系统控制、模式识别等多个领域。　　 本文介绍了粒子群优化算法的概况，针对粒子群优化算法参数的动态特性以及算法早熟收敛、后期振荡现象等问题，提出了一些粒子群算法中惯性权重的改进策略，构造了几个性能较好的基于粒子群优化的混合智能算法。　　 一、提出了两种动态惯性权重策略。一是提出指数动态改变的惯性权重，提高了粒子群算法的收敛速度。二是利用适应度函数的变化来动态改变惯性权重，提出了一种自适应粒子群优化算法，提高了算法的全局搜索能力和计算精度。　　 二、将其它优化策略融入粒子群优化算法中，构造出两种混合粒子群优化算法。一是构造了一种将模拟退火策略融入惯性权重并且将粒子群算法和免疫算法相结合的算法，该算法有效地避免了早熟现象的出现，并提高了全局寻优的能力；二是将对数权重和模拟退火策略融入粒子群优化算法中，构造出混合粒子群优化算法。当算法陷入局部解时，融合模拟退火策略可使该算法跳出局部极小，从而提高全局寻优能力。　　 三、提出两种求解组合优化问题的混合优化算法。针对约束优化问题，将混沌变异融合到粒子群优化算法的搜索过程中，将惯性权重设置为零，可有效避免粒子陷入局部最优解，改善全局搜索能力。针对旅行商问题，将模拟退火策略融合到粒子群算法中，来求解问题。仿真计算表明，这两种算法都具有良好的计算效果。