粒子群优化算法是一种模拟鸟类群体行为的智能优化算法,现已成为进化算法的一个新的重要分支。粒子群算法思想直观、实现简单而且具有很高的执行效率,自提出以来,受到国内外众多学者的关注。但是,粒子群算法发展历史尚短,理论研究不深,在处理特定问题及应用中还存在一些问题。于是,粒子群优化算法的改进和为其开拓新的应用领域成为目前优化算法研究的热点。首先,本文提出了一种基于粒子成长阶段的粒子群改进算法。该算法采用变异机制使得粒子群能有效地跳出局部极值;采用人在社会中扮演的角色以及人的成长过程来定义粒子,通过划分粒子的成长阶段,使得处于不同阶段的粒子采用不同的学习因子。利用一组具有代表性的基准优化测试函数对该算法进行测试,以此来验证该算法的有效性。其次,本文提出了一种基于双重变异的粒子群改进算法。避免粒子群早熟收敛的主要措施是保持种群多样性或者引入跳出局部极值点的机制。该算法采用非线性动态调整惯性权值和自适应双重变异机制,使得算法利于平衡粒子的开发和探测能力并且能有效的跳出局部极值。利用一组具有代表性的Benchmark测试函数对该算法进行测试,以此来验证该算法的有效性。最后,本文探讨了粒子群算法在基因表达数据聚类分析上的应用。将改进后的粒子群算法与K-means聚类算法相结合,提出一种基于粒子群和K-means的混合聚类算法,以期在一定程度上克服K-means聚类算法的缺点。利用酵母菌基因表达数据聚类分析验证了该混合算法的有效性。