最优化问题普遍存在于生产调度、交通运输、信息技术、金融管理等众多实际领域中,有效地解决这些问题不仅可以产生大量的经济效益,而且具有重要的研究和社会意义。最优化是以数学学科为基础,最终目的是为了找到实际生活中优化问题的最优解决方案。传统的优化算法,如最速下降法、拟牛顿法、共轭梯度法等都对问题模型有严格的要求,一般要求目标函数和约束函数是连续可导的,然而,随着技术的日新月异,实际生活中的问题越来越复杂,影响因素越来越多,传统的优化算法已经不能够满足人们的需求,因此,寻求解决复杂问题的优化方法就显得至关重要。进化算法是人们通过观察和模拟自然界的现象发展而来的,相对于传统优化算法,进化算法在解决现实中复杂问题具有广泛的适应性、高鲁棒性等优势,被广泛地应用于工业、农业、经济、科技等各个领域中。近些年来,混合算法能够克服单一算法带来的局限性,在进化算法领域内迅速发展为一个新的方向。本文的研究主要围绕着粒子群算法和中心引力的算法来展开,主要研究归纳如下:a)针对进化算法在迭代过程中,种群收敛速度低和种群多样性降低导致全局搜索能力差的问题,本文将粒子群与中心引力算法有效的混合起来,提出了一种新的混合算法CF-PSO,利用粒子群算法收敛速度快的优势和中心引力算法全局搜索能力强的特点,提高算法的效率,为了最大限度的发挥两种算法的优势,采取自适应的策略更新概率p,使得算法在迭代过程中能够根据粒子的分布情况自适应的选择粒子群更新策略和中心引力更新策略。b)当种群进入局部搜索阶段时,进化算法往往会因为步长不易控制,造成还没找到局部极值就跳出当前局部区域或者只能搜索到局部最优点的附近,针对这个问题,传统优化方法在局部搜索方面具有很大的优势,本文利用差商来代替梯度,在新算法的迭代中期引入DFP算法来实现局部搜索,使改进的算法能够快速高效的找到当前搜索区域的局部最优,进而找到全局最优解。c)针对算法迭代后期,粒子陷入局部最优解,无法跳离当前搜索区域的问题,新算法也不例外,本文通过分析高斯变异和柯西变异的特点,在改进算法迭代后期采用柯西变异使这些粒子逃离当前局部最优,继续在其它区域探索全局最优解。为了测试新算法的性能,我们在CEC2005测试函数集上对改进的算法进行了测试,结果表明我们的算法是稳定的,而且更加高效,同时将改进的算法应用到TSP问题上,说明新算法也能够很好地解决实际问题。