由于粒子群优化算法具有易于理解与实现、收敛速度快、可调参数少、对适应度函数要求低以及较好的全局搜索能力等优点,它已经广泛地应用于科学研究和工程实践等领域。但是与其他随机优化技术一样,粒子群优化算法也存在自身的缺陷,搜索方向存在盲目性、后期收敛速度慢、容易失去种群多样性而陷入局部极优等。为了提高粒子群优化算法的寻优性能,适当的在随机搜索中引入确定性搜索可以提高算法的搜索效率。信赖域方法在一定条件下具有快速的局部收敛性和理想的总体收敛性,且具有稳定的数值性能。通过在粒子群优化算法中引入信赖域方法以引导粒子朝更优的方向搜索,不但能够保证局部收敛,加快收敛速率,还具有很高的确定性。同时,为了保持种群多样性,借鉴信赖域的思想和变异算子的优势,在粒子陷入局部极优的时候,实施基于信赖域技术的柯西变异,帮助粒子逃离局部最优,以提高算法的全局寻优性能。本文将基于信赖域的算法与粒子群优化算法结合起来以改善粒子群的搜索能力,提出了两类改进的混合粒子群优化算法,在保证有效的问题搜索空间的条件下,提高了搜索效率和精度。本文主要工作如下:(1)提出了一种基于信赖域的吸引排斥粒子群优化算法。该算法在ARPSO保持种群多样性的基础上,使用信赖域方法进行局部搜索,利用获得的潜在最优解来调整搜索方向,避免了盲目的重复搜索。相对于标准的粒子群算法及其他几种改进算法,实验表明,该算法在收敛精度和稳定性上取得了较好的效果,且需要更少的迭代次数。除此之外,本章还从理论上分析了新算法能够以更高的概率收敛到全局最优点。(2)基于社会阶级的思想和信赖域技术,提出了一种基于信赖域技术变异的随机重组分级粒子群优化算法。该算法根据现代社会阶级的思想将种群分为三个不同级别,较高的级别主要负责全局性勘探,期待发现最优解所在的区域,同时在中层阶级中引入基于信赖域技术的柯西变异,保证群体多样性避免陷入局部极优,导致“早熟”,丧失继续搜索的能力。最下层的粒子群接受上层粒子的领导,分群进行局部精细化搜索,加快收敛速率,提高收敛精度。相比于前面提出的改进算法,该算法不要求计算搜索方向,降低了计算的复杂度,并对目标函数没有解析性要求,实验结果表明,改进的粒子群优化算法明显优于标准粒子群算法及其相关改进。本文通过对粒子群优化算法原理的深入讨论与分析,引入确定性信赖域方法发现潜在的最优解方向,较好地避免粒子盲目重复的搜索以及借鉴社会阶级分工的思想,结合变异操作保证了整个种群的全局搜索性能和收敛能力。本文工作为基于混合搜索的粒子群优化算法的性能改进提供了新的思路。