粒子群算法是模拟自然界生物进化机制的算法,它的算法简洁,实现也比较简单,没有过多的参数调整,因此不仅很快得到了国际化的认可,还在很多领域得到了应用。它还可以处理非线性问题,这是传统的搜索方法难以解决的。由于基本粒子群算法对离散的问题的处理并不理想,所以本文研究了离散粒子群算法,它在处理离散问题时比基本的粒子群算法具有更好的效果。背包问题是一个较为常见的NP问题,所有类型的背包问题在本质上其实都可以转为0-1背包问题,所以本文就是以基本的0-1背包问题作为研究目标。针对粒子群算法存在的收敛慢、易陷入局部最优的不足,本文首先研究了含有贪婪算子的粒子群算法,此算法可以使搜索减少盲目性、改善寻优的概率。然后通过对迭代过程中参数的调整,进一步提出了改进的贪婪离散粒子群算法(IGBPSO),它可以获得更好的收敛效果,而且在寻优方面会有所改善。并且通过使用IGBPSO算法解决0-1背包问题的实验来验证此算法的寻优效果。如今正处于一个信息化时代,对计算能力有着很高的要求,云计算就在这样的环境下应运而生了。谷歌于21世纪初提出了基于云平台的MapReduce模型,它是在超大集群下进行大规模数据存储和计算的一种编程模式,本文将离散的粒子群算法和MapReduce模型结合,提出了基于MapReduce的离散粒子群算法(MRBPSO)。然后使用MRBPSO算法并行地解决0-1背包问题,实验结果证明了基于MapReduce的离散粒子群算法处理大规模数据的可行性和有效性。