PSO是一种基于群体智能的随机启发式优化算法,作为群体智能的典型代表,它具有原理简单、参数少、收敛速度较快等特点,并且算法程序实现简单,已被证明是一种行之有效的全局优化方法,表现出了很大的潜力。现阶段对PSO算法的研究大多为对算法的改进研究以及算法的应用研究等方面。算法改进研究大多采用多种算法混合(如遗传算法和微粒群算法的混合优化)、增加微粒活性等方式。目前微粒群算法已经在目标优化、预测理论、神经网络、图形图像等许多领域得到了成功应用,但在高等教育扩招和教学评估方面目前还没有利用微粒群算法进行的优化应用。近几年公布的《全国教育事业发展统计公报》表明,我国高等教育规模持续增加,2006年普通高等学校在学人数达到1738.84万人,各类高等教育在学人数超过2300万人,高等教育毛入学率达到21%,数量规模居世界首位。面对日益扩大的高校招生规模和在校生数量,出现了一系列的问题:(1)每年教育经费的预算有限,教学资源不能满足在校生数量的需求;(2)在扩大招生规模的同时,没能很好的进行资源配置,出现了各个生均教学资源指标之间发展不平衡的情况;(3)教学资源的改善速度跟不上招生规模的发展速度,生均教学资源难以得到保障,导致教学质量下降;(4)对现有的资源可以承受的招生数量认识不清,每年招生数量的计划难以合理有效的确定。在此情况下,教育部研究制定出了一套高等学校基本办学条件指标体系,并开展了本科教学水平评估工作,旨在保证生均教学资源满足教学要求,改善基础资源设施,提高人才培养能力水平。因此,针对上述问题和微粒群算法在组合优化应用方面的成功经验,本文对高校扩招规模与教学质量评估问题进行了详细研究,并提出了一种解决上述问题的解决模型,主要研究内容如下:(1)对微粒群算法及其改进算法进行总结研究。(2)以教育部制定的基本办学指标体系为标准,提取出生师比、生均教学行政用房面积、百名学生配教学用计算机台数、百名学生配多媒体教室和语音教室座位数、生均教学科研仪器设备值、生均图书六项生均教学资源量化指标为本文的研究对象,确定出在有限的教育资源经费预算条件下,在六项生均教学资源指标现有资源基础上,在满足基本办学指标要求的前提下,实现资源优化配置的目标函数和约束条件,建立高校扩招规模与教学评估模型。(3)首次将微粒群优化算法应用于建立的高校扩招规模与教学评估模型中,对有限的资源进行优化配置并对次年的招生数量进行预测。实验表明,能够有效的利用微粒群算法对高校扩招规模与教学评估模型进行优化,得到资源分配方案和次年招生数量,供决策者进行参考。(4)针对实际应用的需要,设计并实现了一个普通高等学校教学质量评估信息管理系统。