粒子群优化算法(PSO)的概念相对其他群体智能算法较为简单、易于实现、需要调整的参数少,因此,得到了广泛应用。虽然PSO具有较好的全局搜索能力,但种群搜索盲目性较大,从而降低了收敛精度和速度。由于自适应矩估计算法在一定条件下具有快速的局部收敛和理想的总体收敛性,在基本粒子群优化算法寻优基础上引入自适应矩估计算法对粒子进行局部寻优,提高了粒子群在搜索空间的搜索能力;由于非精确一维搜索具有定向搜索、能够保证局部收敛的特点,引入改进的非精确一维搜索算法来加快算法的收敛速率。本文主要工作如下:(1)针对自适应粒子群优化算法(APSO)不能及时跳出局部最优点、收敛精度低下的问题,提出了基于自适应矩估计的粒子群优化算法(AdamPSO)。该算法在APSO搜索的基础上,利用自适应矩估计对每个粒子进行局部搜索,根据粒子的适应度值,来调整粒子的搜索方向,从而找到更好的解。该算法在多峰测试函数中的实验结果表明,提出的算法与基本PSO算法和同类型的基于梯度的算法相比收敛效果得到了明显地提高,并且需要更少的迭代次数。(2)针对APSO算法在搜索初期阶段容易出现重复搜索现象,导致搜索时间有所增加的问题,提出了基于非精确一维搜索和自适应矩估计的粒子群优化算法(ILS-AdamPSO)。首先,使用非精确一维搜索算法来进行确定性搜索直到种群失去多样性,其次,按照改进的速度进化方程来增加种群的多样性。最后,当种群的全局最优值经过若干迭代后仍然没有发生改变时,使用自适应矩估计算法来更新种群的全局最优点。实验结果表明,在求解多峰测试函数的最优值时,提出的算法与其他算法相比,不仅提高了粒子群在搜索空间的搜索能力,而且还使得陷入局部最优点的粒子朝着更好的解去搜索。