随着当今世界科技的飞速发展以及应用需求的持续增加,在工程实践的领域中出现了大量的复杂优化问题,尤其是基于配送中心的交通网络布局问题迅速成为当今的研究热点。传统的精确算法在求解高复杂度的问题时具有一定的局限性,用仿生算法求解高复杂度问题已经成为优化领域的研究方向。粒子群算法是模拟鸟群的觅食行为的仿生算法,具有结构简单、参数少、易于实现以及寻优能力较强等特点。受这些优点的启发,本文研究了粒子群算法在交通网络布局问题中的研究和应用。对于传统的粒子群算法在求解此问题的大规模实例时存在求解效率低以及解的精度较差的情况,根据问题的放射状特特点以及算法产生可行解的随机性的特点,本文从不同的视角对传统的算法进行了改进:针对传统的粒子群算法通过检查算子检查初始种群的可行性的效率极其低下,本文采用改进的普利姆算法初始化种群;针对改进的普利姆算法仅能够提高产生初始种群的效率并没有提高粒子在更新阶段产生新粒子位置的效率,本文在粒子位置更新阶段引入了换树算子机制,该机制的主要目的是保证算法在多项式时间内有效地在解空间搜索满足放射状以及长度约束的个体,从而进一步提高算法的计算效率;针对改进的算法的求解大规模实例的效率和精度的效果均不太理想,本文研究了膜粒子群算法在交通网络布局问题中的研究和应用。膜粒子群算法是利用膜系统设计的仿生优化算法,它通过膜结构引导粒子朝向更优的空间搜索。本文研究的膜算法主要用于解决传统算法求解时所出现的效率问题和精度问题。对于效率问题,本文从以下角度对膜规则进行改进:通过引入膜技术,使粒子所有速度分量以并行的方式进行更新,这种计算方式改变传统粒子速度的串行计算模式从而使算法的计算效率得到了进一步的提高;改变粒子位置的更新模式,膜中的规则是采用余树决定生成树的策略,这种机制在一定程度上提高算法的时间效率。对于精度问题,本文在膜中引入了改进的轮盘赌策略,该策略能够以较大的概率删除由换树算子产生的圈集中的最差的可去边,从而保证算法所产生的解尽可能的优于之前的解,从而提高算法的求解精度。本文设计了一系列的仿真实验验证膜粒子群算法中膜结构以及膜规则的设计在求解交通网络布局问题的有效性。通过与传统的粒子群算法,遗传算法以及与其他的人工智能算法的结果对比表明本文的算法在求解时是具有竞争力的。