大多数粒子群优化算法通过选择群体的最优适应度个体来构建毎代的学习范例,或者选择粒子的邻居中适应度最优的个体作为局部最优学习范例。以适应度值为核心的目标选择方法,映射到社会学中可以被视为民主投票选举方法。然而,社会学中民主的方法往往强调集体中最受欢迎的意见,而不一定能够选出最正确的意见。在多数人并不具备针对某一问题足够的知识的时候,民主方法很容易误导群体陷入一个局部的次优区域。这个问题在粒子群算法的运行早期会导致群体多样性急速丧失,在算法的后期会导致群体易于陷入次优解。为了应对民主存在的问题,社会学专家提出了一种意外流行决策方法。意外流行决策是一种来源于社会学领域的群体智慧决策技术,针对一个特定问题,当群体中的大多数人意见不可靠的时候,意外流行策略能够最大化的提取群体中少数不为人所知的专家知识。群体中大多数人意见不可靠这一前提条件也恰好符合群智能优化算法中算法执行初期的混沌状态,因此本文提出了一种在粒子群算法中实现意外流行决策的方法。本文提出的粒子群优化算法被称为基于意外流行决策的综合学习自适应拓扑粒子群优化(SPA-CatlePSO)。算法使用小世界动态拓扑连接来更新群体中粒子之间的邻居关系,模拟人群中的知识传播机制,并且起到维护种群多样性的作用。在小世界邻居拓扑的基础上使用意外流行决策来选出群体中具有最高意外流行程度的粒子作为本代的群体学习范例来指导开发方向。为了验证算法的有效性,我们使用CEC2014基准测试函数库上的30个基准测试函数运行本文提出的SPA-CatlePSO,并将其结果与OLPSO、TSLPSO、ASDPSO、HCLPSO、OptBees和L-Shade等算法进行了比较。实验结果表明,SPA-CatlePSO算法与目前最先进的群智能优化算法相比具有较强的竞争力。最后,本文引入了一个生物学上的优化问题即红面包菌生物钟常微分方程优化模型,分别用传统粒子群算法和本文提出的算法对这一问题进行优化,证明这一问题可以使用优化算法求解,也证明了针对这一问题本文提出的算法优于传统粒子群算法。