粒子群优化算法（Particle Swarm Optimization,PSO）由于其原理简单且易于实现等特点成为解决复杂优化问题的一种重要方法。然而,这种有效性仅仅体现在低维度的小规模问题中。面对工程应用和科学研究中存在大量需要进行优化处理的高维度的变量,如何进行有效地优化处理成为了大规模优化领域急需解决的一个问题。随着优化问题维度的增加,PSO的优化效果会急剧下降,这一现象称为“维度灾难”。导致这一现象的主要原因是由于优化问题维度的增加和PSO多样性差。为了缓解PSO在高维度问题上所遭受的“维度灾难”现象,本文提出了两种解决方案。针对优化问题中高维度问题,提出了基于协同进化的竞争群算法（Cooperatively Coevolving Competition Swarm Optimizer,3）。该算法受协同进化的思想的影响将原始的大规模（高维度）优化问题分解为多个较低维度的子优化问题。然后,通过改进后的新型竞争群优化算法单独的解决各个子问题。通过在两个通用的大规模优化问题测试函数集（CEC2010、CEC2013）上的优化结果,可以发现3不仅能够得到较好的优化结果而且在优化时间上也具有一定的优势。针对PSO本身多样性差问题,提出了二阶段学习优化算法（Two-phase Learning-based Swarm Optimizer,TPLSO）。在小组学习方式的启发下提出了Mass learning学习策略提升了粒子学习的多样性;受社会团体中精英群体对团体的影响提出了Elite learning学习方法加快粒子的收敛。TPLSO在保证算法的多样性的同时又加快了粒子的收敛速度,对于演化算法来说这是一个很重要的衡量标准。在两个通用的大规模优化问题测试函数集（CEC2010、CEC2013）的实验结果表明,与其他性能优良的优化算法相比TPLSO具有更好的优化结果。