本文分析了微粒群优化(PSO)算法这一新兴的群智能优化算法，重点研究了PSO算法与人工神经网络、支持向量机及其他优化算法的结合。研究了在连续优化对象和离散优化对象领域内的改进PSO算法及其应用。将PSO算法应用于化工过程的软测量、网格任务调度、虚拟企业伙伴选择等优化问题，拓宽了PSO算法的应用领域。研究了遗传算法的改进策略及基于多Agent技术的虚拟企业模型。本文主要研究成果如下： 1．在分析基本PSO算法的基础上，引进分群思想，提出了一种动态分群的微粒群优化(DSPSO)算法。根据适应值的大小将微粒群分成两个或多个分群，然后，每个分群采用不同的策略分别搜索，得到输出最优值。另一种改进策略是基于模拟退火(SA)与PSO算法的协同进化方法(SAPSO)。通过PSO和SA两种算法的协同搜索，可以有效地克服微粒群算法的早熟收敛。将两种算法用于神经网络参数的训练，并分别应用于延迟焦化装置粗汽油干点和高压聚乙烯熔融指数的软测量建模。仿真实验表明，所建模型的泛化性较好，模型具有较高的精度。 2．为了简化和降低大样本时的计算复杂度，利用PSO算法优化支持向量机的参数。将支持向量机结构风险最小化原则和PSO算法快速全局优化的特点结合。提出了两种改进的PSO算法，即带有末位淘汰机制的PSO算法和基于混沌搜索的PSO算法，应用于优化支持向量机的参数。建立了延迟焦化装置粗汽油干点软测量和高压聚乙烯熔融指数的微粒群支持向量机模型。结果表明该软测量模型具有更高的测量精度和更好的泛化性能和工程实用性。 3．研究了网格任务调度模型和现有任务调度策略。提出了一种离散PSO算法并分别应用于独立任务的网格调度和带有通信开销的网格调度模型。同时借鉴遗传算法中的交叉操作过程，对传统的连续型PSO算法进行改进，使其适用于网格任务调度问题的优化处理，实现网格资源的优化分配。仿真研究表明本文提出的算法能得到较短的任务执行时间和较好的负载均衡性。将离散PSO算法应用于虚拟企业伙伴选择问题的优化，在优化过程中，该算法以优良适应值微粒取代部分不良适应值微粒，使算法具有过滤能力，加快了搜索速度，并保证了收敛于全局最优解。实验结果用基本PSO算法进行了验证和比较，表明该改进PSO算法具有较好的性能和简单快速准确等特点。 4．针对制造网络联盟伙伴选择环境的动态、分布式等特点，对基本遗传算法进行了改进研究，在寻优过程中每个个体都能根据适应值自动地选择交叉概率和变异概率，即个体具有自适应跟踪环境变化的能力。另外，在自适应方案的基础上，还提出一种具有过滤能力的自适应遗传算法。将两种改进的遗传算法分别应用于不同的制造网络联盟伙伴选择模型，通过仿真实验验证算法的有效性。 5．研究了多Agent技术在网络环境下虚拟企业伙伴选择问题中的应用。构建了基于多Agent技术的虚拟企业伙伴选择模型，在该结构中，将构成虚拟企业调度模型的各个管理功能、资源和子任务等都封装成智能体。分析了各个Agent之间的通信、协调与协商机制。在PSO算法中引入免疫机制，并将该免疫PSO算法用于伙伴选择与子任务分配Agent的优化控制，以实现基于Agent结构的虚拟企业伙伴选择模型的总体目标。