微粒群优化算法（Particle swarm optimization,PSO）具有参数设置少、搜索速度快等优点,目前已在诸多领域得到了广泛应用。然而,随着大数据等新技术或应用场景的出现,很多实际问题变得越来越复杂,如分布式滤波器粒子路由问题。这些复杂问题不仅包含多个相互冲突的目标函数或性能指标,而且带有诸多约束。这些特征显著降低了传统PSO算法处理这些问题的能力。如何提升PSO算法的搜索性能并用其解决复杂实际优化问题一直是智能优化领域的研究热点。鉴于此,本文引入分子作用力理论,研究改进的微粒群优化算法,并通过分布式滤波器粒子路由问题验证其有效性。（1）有效均衡种群的收敛性和多样性一直是PSO研究的难题。借鉴分子吸引和排斥机制,提出一种基于分子作用力的改进社会学习型微粒群优化算法（简称MISL-PSO）。在PSO中引入分子作用力机制,给出一种基于吸引力的最优模仿学习策略,以及一种基于排斥力的变尺度粒子初始化策略,以自适应均衡种群的收敛性和多样性。进一步,理论分析了算法的收敛性与计算复杂度。通过处理包括CEC2013测试函数在内的49个基准函数,并与6种典型算法进行对比,实验结果说明了所提算法的有效性。（2）将所提MISL-PSO算法应用于分布式滤波器粒子路由问题,提出一种基于改进微粒群优化的单目标分布式滤波器粒子路由方法。首先,以最小化处理单元（PU）间通信成本为目标,建立分布式滤波器粒子路由问题的单目标约束优化模型;随后,引入一种改进的变长度编码策略来离散化微粒位置更新公式,使用罚函数法处理约束,提出一种基于改进MISL-PSO的分布式滤波器粒子路由方法。通过在大规模野火蔓延的数据同化系统上进行应用,并与其它路由算法进行对比,实验验证了所提算法的有效性。（3）同时考虑PU间通信代价和每个PU的计算负载能力等两个指标,提出一种基于改进微粒群优化的多目标分布式滤波器粒子路由方法。首先,同时考虑PU间的通信代价和计算负载能力,建立分布式滤波器粒子路由问题的多目标约束优化模型;随后,提出一种改进的混合离散多目标微粒群优化算法求解该模型。基于问题特点,设计一种基于分子力的局部搜索策略和一种基于贪心搜索的约束处理机制,用来提高算法的性能。通过与三种经典的粒子滤波路由方法进行对比,实验结果表明,该算法可以为决策者同时提供多个高质量的Pareto最优解,是一种高效的多目标分布式滤波器粒子路由方法。