在我们日常生活中遇到的好多问题都是最优化问题,它能帮助我们从众多方案中,选出一个最好的方案。为了解决最优化问题,我们需要寻找更加高效的算法。作为一种最晚提出的群体智能算法,粒子群算法从一诞生,便受到广大专家学者的重视。经过长时间的发展,粒子群算法已经广泛应用于各个领域,同时也是一种解决最优化问题的高效算法。论文的主要工作有:(1)介绍了标准粒子群算法的基本原理和算法实现基本流程,并对粒子群算法中的几个重要参数的选择做了详细的研究。(2)针对传统粒子群算法存在早熟、容易陷入局部最优解的问题,本文将局部版的粒子群算法思想与标准粒子群算法相结合,提出一种混合粒子群优化算法。通过全局最优解和邻域最优解同时作用于粒子的飞行,改进了速度更新公式,使得粒子同时向全局最优解和邻域最优解学习。(3)在前人的研究基础上,对运动方程中的惯性权重、学习因子以及约束因子等做了改进,提出了一种基于惯性权重变化的学习因子和约束因子,并应用到混合粒子群算法中。通过几组实验,分别将本文算法以及两个文献算法做了性能比较,说明本文算法的可行性和有效性。(4)为了验证本文提出的改进算法在解决具体问题时的性能,将改进算法应用到云计算中的资源调度问题。算法在云计算仿真平台Cloudsim下进行,分别将本文算法与标准粒子群算法以及Cloudsim自带的RR算法从调度时间和调度成本两方面进行比较。通过多次试验表明,本文算法在任务调度问题中性能要优于标准粒子群算法和RR算法。