现代启发式优化算法为复杂优化问题的解决提供了一条十分有效的新途径,本文介绍了分散搜索(SS)和路径再连接(PR)、贪婪随机自适应搜索过程(GRASP)和粒子群优化(PSO)三个算法,希望给国内优化研究者带来一些新的选择和视角.第三章将粒子群优化算法应用在聚类分析中,并且提出了一种新的粒子群优化和k-均值混合聚类方法,并加入了最大最小距离法的初始化.不仅克服了k-均值算法对初值敏感和易陷入局部最优的缺点,而且提高了单独使用PSO聚类的准确率,加快了收敛速度,最后用实验证明了该算法的有效性.本文在精英个体确定搜索空间的思想启发下提出了一种新的基于聚类的空间划分和空间收缩算法,用于求解大规模优化模型.该算法将空间划分和空间收缩同时完成后,得到多个收缩后的子空间,使得算法只在模型的峰或者谷附近搜索而避免在其他非优解区域进行搜索,从而加速算法收敛.在第一次不完全演化结束后,将得到的精英解根据空间的位置及适应度值选择聚类中心,进而完成聚类,然后由聚类后的精英解确定出已经收缩了的多个子空间,最后在这些子空间中,根据收缩标准来决定是继续进行收缩还是进入完全演化.在不完全演化中加入了一种新的基于概率的多样化的初始化过程,以保证初始群体均匀分布在优化空间,并且完善了劣解加入机制和空间收缩停止准则.第五章作者将PSO和新的空间划分和收缩算法应用到了一个生产调度问题实例.在将PSO应用到调度问题时,针对调度问题对0/1变量的特殊要求,设计了一种方法,在初始化和更新粒子位置时强制令其满足连续为1或者0的要求,使得算法更容易求得调度问题的可行解.通过仿真结果,验证了两种算法的高效性.文章的最后,作者总结全文,指出了有待于进一步解决的问题,并对优化算法的发展前景做出了展望.