粒子群优化算法采用实数编码、设置参数少、收敛速度快、算法高度并行,已成为计算智能领域的新研究热点,目前在函数优化、过程控制等复杂领域中得到了广泛的应用。但是粒子群优化算法同其它演化算法一样,存在易于陷入局部最优、收敛精度低等缺点。本文针对标准粒子群优化算法易陷入局部最优、收敛精度低的缺点,结合极值优化算法具有波动性的典型特征,提出了嵌入极值优化的混合粒子群优化算法(EPSO算法)。运用Matlab7.0对15个无约束标准测试问题进行数值实验仿真。结果表明,本文提出的混合算法能有效实现全局寻优,尤其是对于求解高维多峰连续优化问题,它的优势更突出。接着遵循约束优化算法=约束处理技术+进化算法的思想框架,采用增广Lagrange乘子法作为约束处理技术,将约束优化问题转化为无约束优化问题,从而将本文提出的混合算法扩展应用于处理约束优化问题。运用Matlab7.0对13个约束标准测试问题进行数值实验仿真。结果表明,本文的新方法能以较小的种群规模和较少的迭代次数实现全局寻优,取得了满意的优化结果。最后利用非线性回归模型的参数估计实质上是求解残差平方和为最小的无约束优化问题的特点,将EPSO算法用于求解非线性回归模型的参数估计问题。通过对两个典型算例的仿真实验结果进行分析,可知EPSO算法实现方便、操作简单,它为求解非线性回归问题模型的参数估计问题提供了一种有效的途径。