理论研究和实际工程应用中存在许多复杂的优化问题,比如不确定性问题、多峰问题、多目标问题等,而传统的优化方法主要针对确定性、单峰等较为简单的优化问题,不能有效解决此类复杂问题,因此开展对复杂的最优化问题的研究具有极其重要的理论意义和应用价值。粒子群优化（PSO,Particle Swarm Optimization）算法作为进化算法之一,具有简单易实现、可调参数少、收敛速度快等特点,是求解复杂优化问题的良好工具。区间粒子群优化（IPSO,Interval Particle Swarm Optimization）算法将区间分析理论加入到PSO中,通过区间粒子来表达不确定信息,并基于区间数学确定了区间粒子的状态更新、性能比较等方法,为求解不确定性优化问题提供了一条有效的途径。IPSO在求解不确定性优化问题上展示出了强大的能力,但其依然具有同PSO一样的缺点。算法的随机搜索特性以及在迭代后期收敛速度迅速减小的特点使得其容易陷入局部最优,难以寻找并维持多个最优解。为解决上述问题,本文分别在单目标及多目标的情况下提出了两种求解多峰问题的IPSO算法,单目标小生境区间粒子群优化算法（SNIPSO,Single Niching Interval Particle Swarm Optimization）及多目标小生境区间粒子群优化算法（MNIPSO,Multi-objective Niching Interval Particle Swarm Optimization）,并将所提算法应用到不确定系统建模中,使得算法具有了实际意义。论文的研究工作和创新点主要有以下几个方面:（1）对IPSO算法进行了分析,提出了多种避免结果发散的方法。IPSO内部均为区间计算,不可避免地会发生区间扩张。为防止在算法迭代过程中因区间扩张严重导致结果发散,论文采用趋势减法改进IPSO的位置及速度更新公式,限定种群的粒子宽度,约束粒子的速度范围。（2）研究了 PSO拓扑结构和小生境技术,确定了基于环型拓扑结构的IPSO算法。相比于经典的全局性PSO拓扑结构,环状的PSO具有更强的局部搜索能力,更适用于多峰优化问题的求解。因此,论文提出了基于环型拓扑结构来构建小生境的方法,无需任何小生境参数,解决了传统小生境算法中参数难以确定的问题。（3）提出双档案机制,通过个体最佳档案PBA和邻域最佳档案NBA来维护最优解。多峰优化问题的难度之一是如何将找到的多个最优解维持到算法结束,粒子群具有记忆能力且粒子之间相互影响,根据粒子群的特点,论文所提算法建立了两个档案来保存粒子的个体最佳位置和邻域最佳位置,使得算法所找到的全局最优解在以后的迭代中能够生存下来。（4）对多目标情况下,目标空间和决策空间的对应关系进行了分析,提出了基于区间的特殊拥挤度距离排序机制。在多目标多峰优化问题中,需要同时考虑目标空间和决策空间的分布情况,这增加了 Pareto最优解的排序和选择难度。论文提出了一种基于区间的特殊拥挤度距离排序机制,在区间快速非被占优排序方法的基础上采用该排序机制解决Pareto最优解的排序问题。（5）分析了不确定系统建模研究现状,提出了区间建模的思想,并将论文所提算法应用到不确定系统建模中。不确定系统在工业控制中十分常见,但是由于不确定信息的存在,使得该类系统的建模难度较大。论文提出用区间神经网络（INN,Interval Neural Network）进行不确定系统建模,使用本文所提算法对INN的权值及阈值进行优化,为不确定系统建模提供了一种有效的方法。