粒子群优化算法是Kennedy与Eberhart于1995年提出的一种全局优化算法,该算法的基本思想来源于对鸟群简化社会模型的研究及行为模拟,其中的每个个体充分利用群体的与自身的智能,不断地调整学习,最终得到满意解。它的主要特点是原理简单、参数少、收敛速度较快、易于实现。因此,该算法一提出就吸引了的广大专家、学者们的关注,逐渐成为一个新的研究热点。但是,粒子群优化算法也还存在一些缺陷和不足,比如,算法后期存在搜索速度变慢,过早收敛,易陷入局部最优解的现象。本文主要给出了粒子群算法的改进策略,包括在粒子群算法的后期引入单纯形算子和变异因子,并将改进后的粒子群算法用于求解TSP问题或者VRP问题,仿真实验表明改进后的算法是可行、有效的。文章具体研究内容包括以下几个方面:(1)介绍了论文的研究背景及意义,对常用的智能优化算法进行了详细的综述,对粒子群优化算法的理论基础、研究现状以及改进策略作了详细的阐述,描述了粒子群优化算法的流程。(2)针对粒子群优化算法后期存在搜索速度变慢的缺陷,本文提出了一种基于单纯形法的改进粒子群优化算法。该方法既可以有效地克服单纯形法易陷入局部最优,优化结果受初始值依赖过大的缺点,同时又避免粒子群寻优后期可能出现早熟、易陷入局部最优值的缺陷,保证算法具有较快收敛速度,提高算法的全局搜索能力和优化结果的可靠性。(3)针对粒子群优化算法易早收敛,易陷入局部最优的缺陷,本文引进变异因子来改进粒子群优化算法,提高算法跳出局部收敛的能力。并将改进粒子群优化算法求解TSP问题,经一系列数据测试和验证,改进后的算法是有效、可行的。(4)粒子群优化算法是一种很好的求解连续优化问题的算法,文章对采用该算法求解离散组合优化问题进行了研究,使用了一种实数编码的方案,在仿真实验中将各编码进行排序以确定各顾客的服务顺序来求解。将该方案用于求解VRP问题,实验数据表明方案是可行的。(5)车辆路径问题是一个经典的组合优化问题,本文设计了一种求解随机需求车辆路径问题的改进的粒子群优化算法。文章将需求紧急度引入到VRP模型中,并用改进粒子群优化算法对该模型进行求解。数值模拟结果表明改进后的算法提高了全局搜索能力,求解效果更优。