粒子群优化算法是智能优化算法的典型代表，它的特点是简单、收敛速度快，所需领域知识少，且可用于求解大部分的优化问题，并在经济与工程实践中表现出巨大潜力，所以已被广泛应用于神经网络、模糊系统控制、模式识别等多个领域。　　 本文介绍了粒子群优化算法的概况，针对粒子群优化算法参数的动态特性以及算法早熟收敛、后期振荡现象等问题，提出了一些粒子群算法中惯性权重的改进策略，构造了几个性能较好的基于粒子群优化的混合智能算法。　　 首先，提出了三种动态改变惯性权重的策略。一是利用了适应度聚度和空间位置聚度，引入一个自适应惯性权重，结合了速度松弛迭代策略，构造了一种带有速度松弛迭代策略的自适应粒子群优化算法；二是利用适应值函数的变化来动态改变惯性权重，产生了另外一个自适应粒子群优化算法；三是利用种群分布熵和粒子聚集度，构造了一个自适应惯性权重，由此来增强粒子群优化的全局搜索能力。从典型函数的仿真试验数据中可以得出，这三种自适应惯性权重的粒子群优化算法均能有效克服带有固定权重和线性权重粒子群算法的不足，并且提高了算法的收敛速度和精度，提高了算法的全局寻优能力。　　 其次，将模拟退火策略嵌入粒子群优化算法中，构造出混合粒子群优化算法。当算法陷入局部解时，融合模拟退火策略可使该算法跳出局部极小，从而提高全局寻优能力。通过典型的函数测试表明，此种混合粒子群优化算法的性能都优于带线性递减权重的基本粒子群优化算法。　　 第三，提出求解0-1背包问题的融合贪婪算法的混合粒子群优化算法和提出求解旅行商问题的融合模拟退火策略的粒子群优化算法，使所得到的结果都优于求解该问题的标准粒子群优化算法。