在经济金融、物流管理、网络安全、机器学习等领域中存在着各种类型的复杂优化问题,它们通常表现出高维、非线性、多目标或离散性等特点,传统的优化方法根本无法求解,因此研究这些问题的高效求解算法是现阶段科研人员和工程技术人员的重点攻关课题。粒子群算法是一种基于概率的随机搜索算法,具有较强的鲁棒性和全局寻优能力,因参数少,易实现等特点,该算法一经提出就受到了学者们的关注,目前已应用粒子群算法成功地解决了实际中的许多复杂优化问题。本文对约束优化、混合整数规划、多目标优化等复杂问题进行了深入系统的研究,根据各自问题的特点,构建了不同的改进粒子群算法,同时针对股票价格预测和多目标车间调度问题提出了改进粒子群优化算法。论文完成的主要研究工作和成果总结如下:(1)针对非线性约束优化问题,提出了一种基于改进Deb准则的粒子群算法(FIPSO)。该算法在Deb准则的基础上更好地保留了“优秀”不可行解的信息,使其可以发挥自身的优势,引导算法跳出局部极值点,更快收敛到全局最优解。同时,为了进一步提高算法的全局搜索能力,引入DE策略对粒子群的个体最优位置进行优化,加快了算法的收敛速度。为了验证算法的性能,对CEC2006给出的22个测试问题进行数值测试,结果表明了FIPSO算法的有效性。(2)针对非线性混合整数规划问题,提出了两个改进的粒子群算法--EMPSO算法和CC-PSO/GA算法。EMPSO算法中提出了针对离散变量的进化策略DS,该策略有效解决了PSO算法不适合求解离散优化的问题,同时提出了基于约束的更新策略IDeb,在该策略下粒子依概率接收不可行解作为个体最优位置,进而有效利用了不可行解内蕴含的有用信息;CC-PSO/GA算法尝试将PSO算法和GA算法相结合,取长补短,利用APSO算法处理连续变量部分,TGA算法处理离散变量部分,并采用基于小种群的协同交叉进化方式将两种算法有机结合起来;最后,分别将两种算法在14个标准测试问题上进行数值测试,结果表明两种算法在求解上各有优势且均能有效解决非线性混合整数规划问题。(3)针对多目标优化问题,提出了一个基于高斯变异和改进学习策略的多目标粒子群算法(MOIPSO)。该算法分别针对支配解和非支配解构建不同的学习策略,使得算法可以有针对性的迭代寻优,为了进一步提高外部精英档案和当前种群的分布均匀性,采取高斯变异的方式增加了稀疏位置和边界位置的个体数。同时,为了更好地衡量各种算法产生的非支配解集在分布广度上的区别,文中给出了一种度量广度的指标--DM,结合数据和图形,可以看出提出的指标是合理的。最后,为了验证算法的有效性,在12个多目标优化测试问题上进行了数值实验。(4)针对超多目标优化问题,提出了一个以Tchebycheff分解思想为基础的多目标粒子群算法(NMOPSO)。该算法构建了以权重向量为主体的个体最优位置更新思想,改变了以往以粒子为中心的更新,为了提高的算法寻优效率,跳出局部极值,对外部精英档案进行了进化操作,同时给出了一种权重向量的动态更新方法来提高算法非劣解集的分布均匀性。最后,对5、10、15个目标的DTLZ和WFG测试问题进行了数值实验,并与6个已知算法进行了比较,结果表明了在大多数测试问题上NMOPSO算法的性能优于其他算法。(5)针对股票价格预测问题,提出了混合自适应PSO的BP神经网络算法(APSO-BP)。该算法有效地融合了PSO算法的全局搜索能力和BP算法的局部寻优能力,提高了预测的准确性,并利用我国股市的2组真实股票数据进行实证分析,预测结果表明该算法预测股票价格波动的问题较标准BP算法更为有效,可以及时的为投资者提供风险预警信息。(6)针对多目标柔性作业车间调度问题,提出了基于离散变量学习策略的多目标粒子群算法(AMOPSO)。该算法针对柔性作业车间调度问题的特点,采用工序和机器编码拼接的方式构成粒子的位置向量,同时融合离散变量的处理机制和多目标问题的原理构建了一种基于工序的粒子学习策略,该策略既保证了粒子向最优解的有效学习又保证了更新后粒子的可行性。最后,在4个标准FJSP问题上进行了数值实验,结果表明该算法解决此类问题可以获得收敛性和分布性更好的非劣解集。