优化问题广泛存在于科学和工程领域。随着科学技术的进步，大量复杂优化问题不断涌现，传统优化方法已经难以满足科学技术发展的需求。为实现高效求解复杂优化问题，人们在各种自然现象的启发下提出了一系列智能优化算法，并成功的应用于科学和工程领域。粒子群算法具有模型简单易实现、收敛速度快、搜索效率高等特点，是目前应用最广的智能优化算法之一。然而，粒子群算法存在种群多样性下降较快、早熟收敛以及问题依赖性较强等不足。为缓解早熟收敛问题以提高粒子群算法性能，本文主要研究粒子群算法的勘探能力、开采能力及其二者的动态调整。论文根据优化过程中不同阶段的需求，从学习策略、变异、参数调整和档案策略四个方面对粒子群算法进行研究，提出了四种粒子群算法并通过数值仿真实验验证了所提出算法的优越性。
　　(1)提出了一种两级结构的随机邻域学习全维邻域粒子群算法。
　　粒子群算法在优化前期因种群多样性下降太快造成勘探能力不足，而在优化后期由于种群多样性太小造成开采能力较弱。因此为提高粒子群算法性能，在优化前期应增大种群多样性以增强勘探能力，而在优化后期应采取辅助措施强化开采能力。本文针对粒子群算法在优化过程不同阶段的需求提出了一种两级结构的随机邻域学习全维邻域粒子群算法。此两级结构粒子群算法在优化前期采用随机邻域学习粒子群算法，使每个粒子向各自通过竞争选择产生的随机邻域粒子学习来强化勘探能力；而在优化后期采用全维邻域粒子群算法，通过加强对全局最优邻域的局部搜索来强化开采能力。最后通过对比数值仿真实验验证了随机邻域学习全维邻域粒子群算法的有效性。
　　(2)提出了协作档案自适应综合学习粒子群算法。
　　为了提高综合学习粒子群算法的性能和适应性，提出了一种基于自适应调整综合学习概率策略的自适应综合学习粒子群算法。自适应策略将综合学习概率分为高、中、低三档，并根据优化过程中各档综合学习概率的搜索成功率来动态调整各粒子的综合学习概率。自适应策略通过增大表现较好的综合学习概率档位的选择概率和降低表现较差档位的选择概率，使大部分粒子都能分配到合适的综合学习概率，从而提高综合学习粒子群算法的性能和适应性。为进一步提高自适应综合学习粒子群算法的性能，提出了一种协作档案策略。协作档案通过当前种群和档案的协作来更新档案，当前种群通过综合学习来利用档案信息以获得更高的性能。数值仿真实验结果表明自适应调整综合学习概率和协作档案策略能有效的提高综合学习粒子群算法的性能和适应性。
　　(3)提出了自适应变异多导师综合学习粒子群算法。
　　为实现在不明显降低综合学习粒子群算法勘探能力的前提下增强其开采能力，提出了多导师综合学习粒子群算法。多导师综合学习粒子群算法在综合学习粒子群算法中增加了一个多导师学习环节。多导师学习环节利用一组高适应度粒子构成导师集合来引导种群的运动，使种群向多个高适应度粒子学习来增强综合学习粒子群算法的开采能力。为进一步提高多导师综合学习粒子群算法的勘探能力，将自适应变异策略与多导师综合学习粒子群算法相结合，得到的算法被称为自适应变异多导师综合学习粒子群算法。自适应变异策略利用导师集合的分布信息将陷入进化停滞状态的粒子迁移到潜在高适应度区域进行搜索。在对比仿真实验中，自适应变异多导师综合学习粒子群算法达到了优良的性能。
　　(4)提出了全局增强型遗传学习粒子群算法。
　　遗传学习粒子群算法采用粒子的个体历史最优与全局最优生成学习样本，引起学习样本多样性下降太快而使遗传学习粒子群算法的勘探能力减弱。为增强遗传学习粒子群算法的勘探能力，本文采用环形结构来生成学习样本，提出了增强型遗传学习粒子群算法。为便于在优化过程中动态调整增强型遗传学习粒子群算法的勘探和开采能力，本文提出在增强型遗传学习粒子群算法中增加全局学习环节并采用线性调节惯性权重和加速因子，所得算法被称为全局增强型遗传学习粒子群算法。数值仿真实验中，全局增强型遗传学习粒子群算法获得了较高的性能和较强的适应性。
　　(5)对本文提出的四种粒子群算法的创新点进行了归纳总结，并通过实验分析了这四种粒子群算法的特性和适用性。
　　对本文提出的四种粒子群算法的创新点进行了归纳总结。然后进行了对比实验，从平均误差，平均误差排名和收敛速度三个方面来衡量本文提出的四种粒子群算法性能。对粒子群算法时变参数收敛性进行分析，给出了惯性权重的选择依据。将本文提出的四种粒子群算法应用于四个经典机械设计优化问题，验证了此四种算法在工程应用中的有效性。最后分析了本文提出的四种粒子群算法的特性及其适用范围。