智能体是人工智能的具体实现。在群体智能中,种群中的每一个个体都可以视为智能体,这些智能体根据某些规则决策下一次的搜索轨迹,以逼近优化问题的全局最优解。目前粒子群优化（Particle Swarm Optimization,PSO）算法及其变体已被证明是求解复杂优化问题的有效方法。在过去的20年中,PSO已引起了学术界的广泛关注。然而,粒子群算法在搜索过程中存在粒子位置振荡、多样性不足和易于陷入局部陷阱的问题。针对此类问题,本文提出了三种PSO变体算法,主要研究内容如下:1、针对粒子群算法中存在的粒子位置振荡和部分维度退化的问题,本文提出了一种基于tanh函数和维度学习的粒子群优化算法（Particle Swarm Optimization with tanh Function and Dimensional Learning,TDPSO）。具体而言,该算法根据粒子与其学习对象间的距离自适应的调整自身的学习因子,使得粒子的运动在远离学习对象时偏大,而在靠近学习对象时偏小,这在一定程度上减少了粒子运动时的振荡现象。另一方面,粒子将学习全局最优粒子各个维度的信息,粒子将向全局最优粒子所在区域运动,这进一步减少了粒子在搜索过程中部分维度退步的现象,提高算法的收敛速度。通过20个常用基准测试函数上的仿真实验可以看的TDPSO算法在搜索性能上具有较好的表现。2、针对粒子群单一的学习对象会导致种群多样性不足的问题,本文提出了一种融入社会影响力的多榜样粒子群算法（Particle Swarm Optimization with Social Influence,PSOSI）。具体来说,PSOSI中的每个粒子将选择全局最优粒子和最优伙伴粒子作为其学习榜样。为了进一步描述来自不同学习榜样的影响,我们定义了两个受力学启发的引力系数。这些引力系数在确保种群当前最优经验得到分享的同时,更多的是丰富种群的多样性。此外,每个粒子将根据自身与最优伙伴在每个维上的距离,进一步执行变尺度搜索,提高了算法的整体收敛能力。通过在CEC2013测试集的全部28个函数上的仿真实验可以看的PSOSI在收敛速度和收敛精度上均有较好的表现。3、针对搜索过程中全局最优粒子可能并非位于全局最优解附近,使算法易陷入局部最优的问题,本文提出一种基于进步率的粒子群优化算法（Particle Swarm Optimization based on progress rate,PRPSO）。PRPSO算法采用进步率作为评估粒子优劣的额外指标。种群中适应值前三的粒子被记作优质粒子,代表当前种群的最优经验,进步率为种群前10%的粒子被记为进步粒子,它们往往位于全局最优解附近。同时,三种不同的学习模型被设计并供不同粒子在不同搜索阶段选择,以丰富种群在面对不同复杂优化问题时的智慧。最后,提出弹性碰撞的概念以避免粒子在与解空间边界发生碰撞时出现速度突然消失的情况。通过在CEC2017测试集的全部30个函数上的仿真实验可以看的PRPSO在搜索过程中能有效保持种群的多样性,有利于找到全局最优解。此外,通过短期电力负荷预测这一实际生活应用,进一步验证了PRPSO算法的实际应用价值。