粒子群优化算法(Particle Swarm Optimization, PSO)是人工生命与群体智能理论的结合下提出的一种启发式算法,最早是由Eberhart和Kennedy于九十年代中期提出的,是在鸟群、鱼群和人类社会行为规律的启发下提出的一种基于群体智能(Swarm Intelligence)的演化计算技术。粒子群算法由于算法中涉及的参数少、容易实现、收敛速度快等优点被广泛用于研究和解决现实的工业生产问题。但是随着应用的普及,人们也越来越发现PSO有着它本身固有的缺点,如算法后期收敛的速度相对较慢,并且容易陷入局部极值和精度低等缺点。针对这些缺点,也掀起了研究PSO的热潮,很多PSO的改进算法也随之提出。这其中最受关注之一的就是将遗传算法的操作算子引入PSO。这其中最著名的就是Lovbjerg、Rasmuwsen和Krink早在2000年提出将进化算法(遗传算法)中的交叉算子引入PSO的协调粒子群优化算法(HPSO)模型。粒子群算法有基本粒子群算法和标准粒子群算法两种。本论文首先介绍了经过基本粒子群算法改进而来的标准粒子群算法以及改进的其他PSO算法。其次根据佳点集的优良特性,提出了基于佳点集交叉的粒子群算法并从理论上说明了佳点集交叉应用于粒子群算法的好处。最后,论文用提出的佳点集交叉粒子群算法解决连续空间的5个函数优化和两个典型的NP问题即TSP和背包问题。从连续空间的函数优化和离散的组合优化两个方面证明了将佳点集交叉算法用于粒子群算法的优化问题上无论从精度还是速度上都比其他算法好。