群体智能是指任何启发于群居性昆虫群体和其他动物群体的集体行为而设计的算法和分布式问题解决装置。群体智能具有分布性、鲁棒性、非直接通信和简单性等特点,在解决组合优化问题、知识发现、通信网络、机器人等研究领域显示出了巨大的优势和潜力。粒子群算法和蚁群算法作为两种重要的群体智能算法,其应用范围也随着研究的深入越来越广。　　粒子群算法(Particle Swarm Optimization,PSO)是由Kennedy和Eberhart于1995年提出,它源自于对鸟群和鱼群群体觅食运动行为的模拟,是一种基于群体智能的全局优化进化算法。因为其较强的全局搜索能力,较少的参数设置,且更简单更易实现,所以从一提出,就引起了许多学者的关注,已广泛用于科学和工程领域,如函数优化、神经网络训练、模式分类和模糊系统控制等领域。基本粒子群优化算法(basic particle swarm optimization,简称bPSO)具有容易陷入局部极值、进化后期收敛速度慢、精度低等缺陷,而舍弃了速度项的简化粒子群算法(简称sPSO)在保证了收敛速度和精度的同时使算法更加简练。本文在分析研究了粒子群算法的原理及粒子群算法的改进策略的基础上,提出了一种动态改变权值的改进的简化粒子群算法,经实验证明,本文的算法在搜优精度和收敛速度上具有明显的优势。　　蚁群算法是群体智能算法的重要内容之一。从提出到现在,蚁群算法已成功应用于求解TSP、二次分配、图着色、车辆调度、集成电路设计等优化问题。受蚂蚁觅食行为启发的模型又称为蚁群优化算法(ACO),然而基本蚁群优化算法(Basic Ant Colony Optimization,BACO)在进化中容易出现停滞现象,这是因为蚁群算法中的信息正反馈机制,大量的蚂蚁都选择了相同路径后,该路径上信息素浓度远大于其他路径,这使得算法难以搜索到全局最优解。而双种群蚁群优化算法(Dual Population Ant Colony Optimization,DPACO)借鉴了遗传算法中的个体多样性特点,将蚂蚁分成两个群体分别进化,并定期交换信息,这有助于缓解因信息素浓度不均造成的局部收敛,并且有效改进了算法的搜优性能。本文在双种群算法的基础上进行了改进,其改进策略是让一个种群的蚂蚁完成一次循环后只增加最优解路径上的信息素,而另一个种群按常规方法进行。实验结果证明了改进后的算法能有效缩减搜优时间,提高搜优精度。　　最后,本文将上述粒子群算法的改进算法应用到整车物流网络中,验证了算法的效果,拓展了应用领域。