2011年研究学者提出了一种新的标准粒子群优化算法(Standard Particle Swarm Optimization2011，简称SPSO2011)，其在自适应随机拓扑结构和旋转不变性上进行了改进。为了进一步提升其全局探索能力，以更好地解决高维多峰的复杂目标函数问题，本文在其基础上提出了一种新的改进策略:当粒子群种群全局最优解停止更新时，针对每个粒子的个体历史最优位置引入遗传机制，即通过选择、交叉与变异操作动态强化每个粒子的个体最优，达到强化种群全局探索能力的目的。由于种群的历史最优位置等价于所有粒子个体最优中的最佳位置，所以在强化个体最优的同时，也将间接平衡种群全局最优解，同时达到平衡种群局部收敛能力的目的。文中使用了测试函数进行了仿真实验，对改进算法的优化性能、局部收敛能力、全局探索能力、可靠性与可扩展性等方面进行了分析，验证了该改进算法的有效性。　　不同优化问题在搜索空间内具有不同的空间形态，呈现出不同的函数复杂度特性。针对各种不同复杂度特性的函数，也各自存在其适宜的求解方法。但评价函数的复杂程度存在一定困难，本文第二部分拟借鉴群智能算法在优化过程中的种群变化信息，对函数复杂度进行初步判定，以助于从一定程度上研究并提出具有针对性的优化策略。基于前文所述的对粒子群(Particle Swarm Optimization，PSO)算法的改进过程，发现PSO在优化给定目标函数时，其种群将呈现出一定程度的动态规律性，而相应规律与目标函数的复杂程度相关联。基于此，本文提出了基于PSO算法的函数复杂度分类方法，以定性地分析出给定目标函数的复杂程度。本文所提的基于PSO的目标函数复杂度分类法，在PSO算法选取与改进时，弱化了种群的探索与收敛能力，故而难以探索目标函数的细化特征，在分类具有大范围单峰特性、小范围多峰特性的目标函数时，会将该实质多峰的目标函数分类为单峰型目标函数，即分类方法能够准确分类目标函数的全局单峰/多峰特征，在分类细节上存在一定程度的不足。文中应用了大量测试函数对所提函数复杂度（全局单峰/多峰特性）分类模型的准确性进行了仿真实验，错误率为2.516％，验证了本文所提分类法的准确性。