电力系统机组优化组合问题是电力系统优化运行中的一个重要组成部分,由于合理的机组组合方案能够降低燃煤损耗,延长机组的使用寿命,带来显著的经济效益,所以一直是现代电力系统安排短期运行计划的核心任务。从数学角度上看,机组优化组合问题是一个大规模、离散、多约束、非线性的复杂工程优化问题,很难得到理论上的最优解,到目前为止仍然不存在一种既能完全符合实际系统模型,又能取得理想的计算精度和速度的实用算法。因此,如何建立一个与实际系统相吻合的机组数学模型,如何提高求解机组组合问题算法的计算精度和速度对电力系统的优化运行具有重要的研究意义。粒子群算法(Particle Swarm Optimization,PSO)源于对鸟类群体捕食行为的研究,是一种除了蚁群算法、混合蛙跳算法和鱼群算法之外的模拟动物群体智能的优化算法。由于标准粒子群算法在解决有关优化问题当中容易出“早熟”现象从而使算法陷入局部最优解,为此文中对标准粒子群算法进行了改进,一是采用了动态的加速因子和惯性权重作为粒子群算法一种新的参数自适应策略,提高了算法的收敛精度；二是将复杂网络中的小世界网络和无标度网络两种模型引入到粒子群算法的邻域结构,分别形成了基于小世界网络模型的粒子群算法和基于无标度网络的粒子群算法,加快了算法的收敛速度。本文主要针对火电厂机组优化组合问题进行了研究,在考虑负荷功率平衡等各种约束条件的情况下,以发电机组在一个调度周期内的总煤耗量最小为目标函数建立了数学模型。并利用上面提出的两种改进粒子群算法设计了完整的算法流程,采用Matlab编程实现,分别对10机系统进行了仿真计算,通过算例结果的分析与比较表明,本文提出的基于复杂网络模型下的两种改进PSO算法都能够获得比较好的优化解,两者均不存在着维数灾的情况。相比较而言,基于小世界网络的PSO算法具有更好的寻优能力,而基于无标度网络的PSO算法则具有更高的收敛速度,在解决机组优化组合问题中具有一定的可行性和有效性。