作为一种典型的群智能优化算法,粒子群优化算法具有模型简单、操作便捷、易与实现、鲁棒性好等优点,同时有着深刻的智能特征,这就为复杂问题的求解提供了一种全新的思路,吸引了大量的专家学者对其进行探究,并显示出蓬勃的生命力。而粒子群算法本身还具有收敛速度慢、易于早熟收敛等缺点,因此对于粒子群算法的研究改进仍然是一个紧要的课题。基于此,根据待优化问题的目标个数不同,本文提出了一种改进的多种群粒子群算法和一种改进的多目标粒子群算法。论文的主要研究成果如下:(1)对粒子群算法的研究现状进行了分析,列举了粒子群算法的优缺点,并且对粒子群的算法原理以及数学模型进行了分析。(2)为了提升初始解的质量、提高粒子群算法的收敛速度以及增强粒子群算法跳出局部最优解的能力,本文对粒子群算法进行了改进。该改进的算法将种群分成三个子群,并且对种群的初始化、早熟判断机制、种群的开采与探测能力以及各子群之间的协同与学习进行了深入分析,并给出了相应的改进应用。同时,对于早熟收敛问题,本文改进的算法提出了一种新的粒子更新策略,经实验证明,该改进策略能有效地使粒子跳出局部最优。(3)将本文改进的多种群粒子群优化算法应用在阵列天线方向图综合的波瓣控制问题上。测试结果表明,本文改进算法可以有效地解决此类问题。(4)针对粒子群算法在多目标优化中的出现的精度低、收敛速度慢以及易陷入局部最优等问题,本文提出了一种改进的多目标粒子群优化算法。首先,该算法采用均匀初始化策略初始整个种群,提高初始解的质量;其次,和目前大多数算法维护外部档案时直接舍弃超出档案规模的粒子的策略不同,本文算法对于超出外部档案规模的粒子进行了再利用,提升了算法获得解的分布的多样性;最后,为了解决粒子群算法易于陷入局部最优的问题,本文改进算法建立了一个粒子信息档案用来保存粒子的所有信息,并且根据粒子信息档案中粒子连续几代的更新状况,来决定采用何种更新策略更新粒子,从而对粒子的更新做出更加高效的指导和优化,提高算法解决复杂多目标问题时的整体性能。通过将改进算法与其它经典的算法进行比较分析可以得出,在求解多目标的问题上,本文改进算法在整体上具有较好的性能优势。