在工程技术、科学研究等领域中，最优化问题是人们最经常要面对的问题。随着计算复杂性理论的形成，人们发现并证明大量组合最优化问题是所谓的NP完全和NP难问题.因此，为了应对此类问题，研究人员设计了各式各样的最优化计算方法，遗传算法、蚁群算法、粒子群算法就是优化算法的典型，在实际问题的应用上已经比较成熟。粒子群优化算法在众多人工智能算法中，具有收计算简单、收敛快、鲁棒性好的优点，成为近年来研究热点。同时适当的结合遗传算法、贪婪算法，作为粒子群优化算法的局部策略，将更大的避免局部收敛，并且能极大的提高收敛速度。从实际出发来考虑，我们认为在粒子群优化算法中以完善迭代策略作为研究的主要方向。遗传算法的引入作为完善粒子群算法的局部策略，提出混合粒子群优化算法。并且针对组合优化中著名的问题：背包问题，旅行商问题，2维装箱问题，我们用二进制编码形式作为这三个问题解的基本形式,分别设计了具体的改进粒子群优化算法。针对背包问题，引入贪婪算法，惩罚函数方法改善在迭代问题中出现的大量非可行解的情况设计了粒子群优化算法，并对该算法进行了模拟仿真实验，对实验结果进行了比较分析。对旅行商问题和2维装箱问题，我们定义新的乘法和加法运算，将微粒群算法中原始速度迭代公式，采用遗传算法进行替换和改进，提出了混合遗传算法的微粒群优化算法。针对旅行商问题的微粒群优化算法进行了17节点的TSP、14节点的TSP和中国邮递员问题三个模拟仿真实验，并对实验结果进行了比较分析。对于装箱问题，我们对于最优解进行了保留遗传的策略，提出了带有记忆性的混合微粒群优化算法。通过引入其他智能算法最为微粒群算法中的局部策略，可以在不同情形下提高收敛效率，对于处理离散情形更加实用，同时也能极大的改善微粒群算法陷入局部最优的情形。