相较于传统优化方法,群智能优化算法对所求问题无连续性要求、对不确定性数据适应性强,并且只需通过个体之间简单的信息交互演化就能得到问题的最优解决方案,因而被广泛地用于处理复杂优化问题。粒子群优化算法(PSO)作为群智能优化算法的重要分支之一,除了拥有群智能优化算法的优点外,还具有调参实现简单、寻优能力较强且算法鲁棒性高等优点,因而受到广泛关注并被应用到各个领域。然而,和群智能优化算法一样,传统的PSO算法仍然存在收敛速度慢,收敛精度不高且容易陷入局部最优等缺陷。迁移机制是一种源于地理学优化算法(BBO)的局部搜索机制,具有较快的局部收敛性。此外,在迁移机制中还包括双层精英替换以及迁移变异操作,能够最大限度的保留最优信息的同时,增加种群的多样性。因此,本文将迁移机制引入最新标准PSO算法(SPSO2011),提出了一类改进的SPSO2011算法用来解决复杂函数优化问题,并进一步应用于基因表达谱中信息基因的选择。该类改进的PSO算法不仅能够提高PSO算法的局部收敛能力,而且能够使算法跳出局部极小点,有效地提高PSO算法的性能,本文主要工作如下:(1)针对SPSO2011算法处理复杂函数优化问题时,存在收敛速度慢且易陷入局部最优等问题,提出了一种基于迁移机制的PSO算法(ISPSO2011)。该算法以SPSO2011算法为基础,引入一种对种群多样性不敏感且具有较强局部搜索能力的迁移机制来有效的开发粒子的搜索空间。在算法陷入局部最优时,迁移变异操作能够使其具有一定的跳出局部最优的能力。此外,为了更有效的共享解特征,改善算法的搜索能力,在迁移机制中采用了拓扑迁移操作,使得粒子之间信息共享更充分。同时,在算法中采用双层精英机制来保留较优粒子,以提高算法的收敛速度。在多个benchmark测试函数上的实验结果表明,该算法相对于SPSO2011算法和BBO算法,在收敛精度和取得理论最小值成功率上均获得了更优的效果。(2)提出一种基于ISPSO2011算法的多重基因选择方法(IMRF-ISPSO2011)。它能够快速的剔除大量的噪声基因和冗余基因,同时获得具有较高分类准确率的基因子集。该方法首先通过Relief算法对原始基因表达谱数据集进行初始筛选,去除大量的噪声基因。然后,针对传统的FCBF算法处理基因之间相关性较高而基因与类别之间相关性较低的数据集时,容易出现剔除过多信息基因的现象。在剔除策略上做了相应的改进,用来对初选结果进行快速的二次筛选,配合ELM分类器选择出满足分类精度的二级基因池。最后,利用ISPSO2011算法对二级基因池进行终选。通过对比引入ISPSO2011算法前后的最优基因子集的分类效果,验证了ISPSO2011算法在基因选择上的有效性。此外,与其它传统的基于PSO算法的基因选择方法的比较实验中,该方法均获得了分类能力更强、更加紧凑的基因子集。