随着人类社会、经济和科学技术的飞速发展，许多复杂性、非线性、庞大巨系统和快速反应性系统等方面的问题大量呈现在人们的面前，传统的优化方法逐渐陷入困境。这时，自然界中那些群居的简单生物表现出来的复杂的群体智慧给人们很好的启迪。这些生物群体中每一个个体的行为都很简单，也没有受到集中统一的指挥，但它们之间的有机协调和自组织能力，却使得整个群体表现出高度的智慧，能够完成非常复杂的任务。这种现象吸引了众多学者的关注，去深入研究在现象背后存在的机理，并通过计算机模拟其中可循的规律，用来指导和解决传统方法难以解决的实际问题。 目前通过模拟生物群体的行为来解决优化问题已经成为优化领域新的研究热点，并已经在一些实际应用领域取得突破性的进展。其中有代表性的有意大利学者Marco Dorigo于1991年提出的蚁群优化方法和1995年James Kennedy和Russell Eberhart基于对鸟群、鱼群捕食行为的模拟，提出了粒子群优化方法。由于这些方法概念简明、实现方便，特别用以解决复杂的组合优化问题具有优越性，迅速得到国际优化计算领域的认可，并在工程设计、生产优化等应用领域取得成功的应用。 本论文重点研究了当前应用最广泛、最典型的群体智能优化方法——蚁群优化方法和粒子群优化方法。系统深入地分析了蚁群优化算法基本原理和对已有的NP-hard问题的求解过程，然后给出了改进的对背包问题的蚁群算法。此外，本文对基本粒子群算法原理作了系统深入的研究，对NP-难问题求解的已有工作进行了深入分析，在此基础上，设计了一种新型的混合粒子群算法和实现步骤。上述理论研究成果都通过实际算例给出验证。体现了改进算法的有效性和优越性。 本文的主要创新点体现在三个方面： 一是在对基本蚁群算法原理、实现过程深入研究的基础上，为了减小或避免基本蚁群算法容易早熟从而只是求得局部最优解的可能性，给出了对局部最优个体进行变异的方法。同时考虑到信息素在蚁群算法中的重要性，对蚁群算法加以改进，引入了基于信息素的变异算子——种群入侵算子，这两种算子分别称为内变异和外变异，根据这种混合变异提出了一种新的改进方案，设计了这种新算法的实现步骤。 二是在对基本粒子群算法原理和实现过程深入研究的基础上，提出了一种新的改进方案，该算法引入遗传算法中交叉和变异的思想，将当前的适应值与个体的适应值及全局适应值进行交叉，得到新的适应值，再进行变异操作。在交叉操作过程中，采用了Davis提出的顺序交叉方法。变异操作则采用了逆转变异方法。由此设计了一种新型的混合粒子群算法和实现步骤。 三是将上述两种新型群智能算法分别应用于解决典型的NP-难问题——背包问题，针对国际学术界通用的实际算例，取得良好的实际效果，显示了改进算法的有效性和优越性。在应用中，本文将Dantzig给出的关于背包问题最优值的性质定理，应用于改进粒子群算法求解过程中，得到适应函数值的界，从而为淘汰非最优解提供了更有利的条件，取得良好的效果。由于背包问题在组合优化领域的突出地位和代表性，使得本文给出的新型算法具有一定的理论意义和实际应用价值。