近年来，随着电力工业市场化改革的深入进行，电力系统的经济运行在电力改革中显得越来越重要。其中，经济负荷分配是电力系统短期运行计划的一项重要内容。由于能带来明显的经济效益，所以一直是现代电力系统中长期关注的焦点。　　电力系统经济负荷分配的目的是在各发电机组间合理地分配机组出力负荷，在满足电力系统或发电机组运行约束条件的同时，使发电成本最小化。这是经济调度中非常重要的一项内容，也是典型的电力系统优化问题。作为典型的非线性优化问题，经济负荷分配问题涉及到高维、非凸以及不连续等因素，常规的数学方法比如经典算法在处理此类问题时具有一定的局限性，甚至不能得到理论上的最优解，而近年来兴起的人工智能算法则适合解决传统优化方法难以解决的高维、非线性问题，在求解上有着较大的优势和便利性。本文通过引入混沌优化算法和粒子群优化算法解决机组的经济负荷分配问题，并对算法本身及在经济负荷分配问题中的应用进行了探索。　　本文分别对混沌优化算法和粒子群优化算法进行了介绍和分析，并阐述了经济负荷分配问题的原理、数学模型以及机组正常运行条件下的约束条件。提出了改进的混沌粒子群混合优化算法，通过引入遍历性较好的Tent混沌映射代替常规的Logistic混沌映射，使其有着更强的混沌局部搜索性能；并修正了粒子群体中粒子迭代的行动策略，在粒子更新过程中实现种群搜索的多样性，提高了粒子的全局寻优能力。　　为验证所提优化算法的有效性，本文通过3机、6机以及15机等低维和高维的电力系统经济负荷分配问题的仿真研究与测试，验证了本文提出的针对电力系统经济负荷分配问题的混合混沌粒子群算法所具有的良好寻优性能和相对其它算法的优越性。