随着计算智能的计算精度需求不断提高,众多学者对优化问题的解决也愈发关注,因而相应的优化算法便得到持续的改进研究。优化问题代表在某种特定条件下,通过一系列的方法,按照某种评定标准,搜索计算出目标问题的最优解集。优化问题的解决已经成为控制领域的一个重要研究方向。粒子群优化算法是一种较为传统的智能优化算法,该算法具有参数少、计算速度快等明显优势,在解决实值型问题效果良好。但是由于算法本身的迭代机理与种群更新方式存在缺点,对于目标函数中出现的非线性、高维、计算空间复杂等问题的解决能力差,往往出现收敛精度较低,算法早熟等情况。因此本文以标准粒子群优化算法为基础,从其运行机理和种群与粒子更新方式出发,归纳总结其不足之处,提出两种不同改进方法的粒子群优化算法,分别对单模态下高维多峰的复杂问题以及多模态优化问题的解决做一系列的实验研究,最终验证两种算法在理论与应用方面的性能优势。具体工作概括如下:首先,针对复杂高维、具有较多非线性特性的单模态目标问题,提出了基于混合t分布的量子粒子群优化算法(HTDQ-PSO)。为解决传统算法存在的寻优精度低、算法易早熟等问题,引入了量子行为的粒子更新方式以及自适应动态t分布算子的变异方式,大大提高了种群多样性和粒子搜索性能,经过算法实验仿真,结果表明改进算法相较于几种常见算法在单模态下复杂高维多峰的问题上拥有明显的优势。其次为了验证算法在实际问题中的优化解决能力,将算法应用于基于重尾噪声干扰下的非线性系统辨识中,实验结果表明算法在辨识误差与性能指标评价上均表现出优良的性能。最后,为了给决策者提供更多优化信息,强化算法对于有着众多全局极值与局部极值干扰问题的全面优化能力,提出了基于自适应种群进化的拟牛顿粒子群优化算法(SEB-PSO)以解决多模态优化问题。此方法从动态种群参数更新,到子种群核心选择,再到种群梯度进化与冗余粒子初始化机制法方面对算法做全面改进,最终通过实验证明算法在解决多模态优化问题时,不论是提高收敛精度和收敛速度还是解决高维复杂问题都有良好的性能。