在管理科学、信息科学、系统科学以及工业工程等众多领域都存在着客观的或人为的随机性,相应地存在着大量的随机优化问题。进化计算方法,如遗传算法、进化策略、蚁群算法、微粒群算法等用于求解随机优化问题在最优性方面得到了很好的结果,但由于其适应值估计(随机仿真)非常费时而限制了其实际应用。因此,本论文研究如何在微粒群算法过程中,利用已有适应值估计的信息预测一些变量的适应值,以减少运行随机仿真的次数,从而从总体上减少计算时间。首先,采用广义回归神经网络作为适应值预测模型,通过对广义回归神经网络的分析给出它与微粒群算法的结合机制、预测策略及模型更新策略,由此来决定个体的适应值是用预测模型进行预测还是用随机仿真进行估计及何时更新预测模型,从而提出一种将广义回归神经网络与微粒群算法相结合求解随机优化问题的智能算法,通过实例仿真说明了该算法在保证算法性能的前提下,在适应值计算方面大大减少了计算量从而从总体上节省了大量时间,体现了它在求解随机优化问题中优势。其次,采用Kriging模型作为适应值预测模型,由Kriging模型与微粒群算法的结合机制及预测策略选择部分个体的适应值进行预测,其余个体的适应值则用随机仿真进行估计,提出一种将Kriging模型与微粒群算法相结合求解随机优化问题的算法,为随机优化问题的处理提供了一条新的有效途径。