微粒群算法是受自然界动物群体行为启发而产生的一种群体智能优化算法,其生物学依据是同物种间信息的交互共享有利于物种生存。但标准微粒群算法中微粒共享的信息较少,仅限于群体历史经验。因而本文借鉴被动congregation微粒群算法,通过拓展信息交互的方式,增强信息处理的能力,对微粒群算法的算法结构进行了改进。被动congregation微粒群算法在标准微粒群算法的基础上,增加一随机选择的微粒作为第二个共享信息来源,从而在一定程度上提高了算法的效率,但由于信息的随机性导致该算法不太稳定。针对被动congregation微粒群算法的不足,本文将近邻个体中的当前最优位置作为信息交互因子,然后结合环型和小世界模型将其引入标准微粒群算法中,提出了近邻个体交互微粒群算法。该算法中的每一个体都与其近邻个体进行频繁的信息交换,且近邻成员的当前状态对该个体下一步运动有显著影响,从而较为符合生物学的研究成果。仿真实验表明其性能明显优于被动congregation微粒群算法,尤其对于多峰高维测试函数。近邻个体交互微粒群算法通过增加邻域内个体间的信息共享程度,能较好的提高算法性能,但个体历史经验、群体历史经验及邻域内当前最优位置的信息在某些时刻具有一定的重复,从而影响了信息的吸收。为进一步改善近邻个体交互微粒群算法的性能,本文以个体邻域当前共享信息来替代个体历史经验,仅保留群体历史经验和个体邻域当前位置共享信息,提出了邻域共享微粒群算法。实验结果说明它能较大幅度的提高算法性能。微粒群算法模拟了鸟群、鱼群等动物群体的觅食行为,而动物在觅食过程中总是倾向于以更小能量消耗获取更多的食物资源,以达到觅食能效最大。因此本文结合将动物最优觅食规则引入微粒群算法,提出了最优觅食微粒群算法。该算法将群体成员间的适应值差别与其距离的比值作为个体觅食能效,并设定个体趋向于当前觅食能效吸引力最大的位置。仿真结果说明了此策略的有效性。