粒子群优化算法(Particle Swarm Optimization,PSO)是模拟鸟群觅食行为的基础上提出群智能优化算法,是优化领域中新兴的分支。它具有实现简单、易于理解、控制参数少等优点。因此,该算法一提出就引起研究学者广泛关注。但PSO存在早熟收敛的缺点,针对这种问题从多样性保持和控制层面进行分析,从而提出两种改进PSO算法。本文主要包括以下研究工作:(1)针对粒子群陷入早熟收敛的问题,提出一种动态反向的随机漂移粒子群(Random Drift Swarm Optimization with Dynamic Opposition based learning,DO-RDPSO)算法,该算法融合随机漂移策略和反向学习策略。在DO-RDPSO算法中,应用随机漂移策略进行搜索时,某个粒子个体最优值停滞的次数超过某一个预先设定的阈值,说明该种群多样性过低,且通过随机漂移运动跳出局部最优的可能性很小,此时不需要通过随机漂移策略进行更新而是进行反向学习,构造该粒子的反向解,提高种群的多样性。通过测试14函数可以看出DO-RDPSO可以跳出局部最优,从而找到全局最优解。(2)针对粒子群算法在高纬度或者多极值函数上容易陷入局部最优的问题,提出一种带有交叉算子的随机漂移粒子群优化(Crossover Operator of Random Drift Particle Swarm Optimization,CO-RDPSO)算法。该算法以PSO为基础,添加随机漂移策略和交叉算子。首先,随机选择两个个体历史最优位置进行交叉,这样操作即提高种群的多样性又可保留优秀粒子信息。其次,通过阈值来确定是否应用交叉后得到新粒子位置代替原来个体历史最优位置。最后,利用随机漂移策略进行速度和位置更新。通过对14个测试函数的收敛精度和收敛曲线图可以得出,CO-RDPSO不仅快速找到全局最优解,而且提高收敛速度。(3)为进一步验证CO-RDPSO算法的有效性,对短期电力负荷进行预测。CORDPSO具有求解精度高、收敛速度快,同时避免陷入局部最优的特点,能较快地优化出SVM模型。通过SVM和CO-RDPSO-SVM两个模型进行对比,本文提出CO-RDPSO对SVM回归估计方法进行超参数优化得到模型,能更好的反映电力负荷情况。本文针对粒子群算法容易陷入局部最优的问题,从多样性保持和控制层面对粒子群进行改进,分别提出DO-RDPSO算法和CO-RDPSO算法。同时将提出的两个算法应用到14个测试函数中,并与其他改进粒子群算法进行比较并分析结果。实验结果表明DORDPSO算法和CO-RDPSO算法都具有良好的寻优效果。