优化问题是一个热门的研究领域。很多现实中复杂的工程和科学问题都可以被抽象为大规模全局优化问题。大规模全局优化问题具有决策变量维度高（一般超过100维）、搜索空间过于广泛以及大量的局部最优性等特点,因此从大量的解决方案中寻找最佳解决方案是研究的重点。进化算法是目前公认的求解大规模全局优化问题的卓有成效的方法。粒子群算法作为一种基于种群协作的全局寻优进化算法,以其实现简单、参数少以及收敛性能好等优点被广为研究和应用,但是该算法在求解大规模全局优化问题时存在早熟收敛或者陷入局部最优问题,因此本文提出了竞争学习粒子群优化算法,既能提高算法的收敛速度,也可增强算法的多样性。本文主要研究工作如下:（1）提出一种基于秩排序与拓扑变异的大规模粒子群算法（RCRMPSO）。首先采用秩排序策略将种群分成三组。然后采用竞争学习机制更新第三组粒子,一方面可以加快收敛速度,另一方面可以有效的拓展潜在解的搜索空间。并采用拓扑变异策略更新第二组粒子,使所在位置的个体能够在局部最优解的邻域内搜索更多可行解,从而提高收敛精度。最后通过实验验证算法的性能。（2）提出了一种多种群竞争学习粒子群算法（MSCSO）。首先在初始化阶段采用反向学习机制为种群获取更好的可行解,提升了算法的全局探索能力。然后采用竞争学习机制,让待更新的粒子向与它进行竞争的两个优异粒子进行学习;为防止陷入局部最优,并在迭代后期采用Logistic混沌映射作用于待更新的粒子,为其提供更多搜索方向的多样性,提升了跳出局部最优解的概率,在保证收敛速度的同时使得算法可以更深入的探索进而找到全局最优解。最后进行实验,结果表明该算法优化性能显著。