优化问题广泛存在于科学和工程应用中,通常具有大规模、多模态以及多个目标之间相互冲突等特性。传统算法求解这些问题时,在计算成本、时间消耗上面临着越来越大的挑战。近年来,进化算法,尤其是群智能优化算法,因其在解决复杂问题时的高效和稳定而受到越来越多的研究,例如人工蜂群算法,蚁群优化算法和粒子群优化算法。其中,粒子群优化算法凭借独特的群体仿真行为与高效稳定的优化性能,已经被广泛研究并应用于各种优化领域问题的求解。与一般的进化算法相比,粒子群优化算法具有较快的收敛速度。然而,在求解具有多个局部最优解的复杂问题时,算法的种群多样性会显著减少,使得算法全局勘探能力降低,过早地收敛停滞。同时,算法的优化性能往往依赖于种群领导者的指导作用,选择合适的个体和全局领导者对实现算法收敛能力与种群多样性的平衡具有重要的影响。因此,鉴于上述粒子群优化算法存在的问题,本文对该算法进行了深入研究,包括算法在单目标优化领域的改进、多目标优化领域的研究以及在实际工程问题中的应用,主要研究工作如下:（1）提出一种协作学习的多种群粒子群优化算法。针对传统粒子群优化算法在优化复杂问题时,每个个体仅向其自身和群体中的历史最佳经验学习,个体之间无法充分进行信息交流,进而导致算法优化效率较低的问题,本文研究一种群体间协同搜索的多种群进化策略。在该策略中,利用多种群搜索机制,设计具有协作学习机制的群体搜索策略以实现算法勘探与开发能力的平衡。同时,对个体维度进行动态分段,构造具有种群进化领导作用的“模范粒子”,实现群体较优个体进化信息的传递。此外,为防止算法过早的收敛,本文还设计一种变异策略以增强个体的扰动搜索能力。实验结果表明该算法在求解单目标优化问题时具有较好的鲁棒性和优化效率。（2）提出一种知识辅助的多目标粒子群优化算法。针对粒子群优化算法在求解多目标问题时,面临的群体多样性显著降低以及算法收敛能力不足的问题,本文研究一种基于知识辅助搜索的两阶段进化策略,实现算法收敛能力和种群多样性的平衡。其中,基于环形邻域拓扑设计外部储备集中每个非支配解的候选参考解,并通过比较参考解与当前个体之间的角度值,选择相应的非支配解作为当前个体的全局领导者。同时,为了防止种群多样性快速丧失,本文通过计算不同个体之间的相似性来动态检测当前种群的收敛行为,并设计出一种增强种群多样性的机制。此外,本文设计了一种特殊的拥挤距离策略以筛选外部储备集中冗余的非支配解,提高算法的优化性能。实验结果表明该算法在收敛能力和种群多样性方面具有较高的提升。（3）离子型稀土浸出过程动力学优化研究。基于离子型稀土浸出机理,本文选取硫酸镁作为离子型稀土浸矿剂,构建受稀土矿粒度、稀土浸出率、硫酸镁浓度等因素影响的离子型稀土浸出过程动力学模型。同时,利用本文提出的协作学习的多种群粒子群优化算法中高效的自适应学习策略和协同进化的混合搜索策略对模型中涉及的相关参数进行优化。通过仿真实验和算法性能的统计评估,实现离子型稀土浸出过程动力学的优化设计,进而为离子型稀土原地浸出过程的优化研究提供理论依据。