现实世界中存在着大量的优化问题,特别是在工程实践和科学研究领域。而随着工业生产过程的复杂化,越来越多的优化问题维度更高,需要优化的目标数量更多。同时由于这些问题往往具有多峰,多极值,不连续等特点,用传统的运筹学优化方法已难以解决。粒子群算法作为一种利用种群搜索的智能优化方法,能比较有效地求解高维和多目标优化问题,越来越受到国内外研究者的关注。本论文旨在通过对粒子群算法解决超高维及多目标问题进行深入的探索和研究,设计高效的粒子群算法和策略,并进行实验分析。具体包括以下研究内容：为了平衡粒子群算法的收敛速度与种群多样性,进一步提高粒子群算法的全局搜索能力,本文提出了具有随机社会认知能力的分层粒子群算法(HPSO-RSC)在HPSO-RSC中,粒子的社会环境是动态改变的,它不仅受到最优解和上层粒子的吸引,同时随机地受到所有比自身好的粒子的影响。进化过程前期,粒子更偏向于选择最优解作为认知对象,而在进化过程后期,粒子偏向于选择稍微比自身好的解进行社会认知。同时,加入的波动算子也使得粒子更易于逃离局部最优解。结合高效的分组方法、协同进化框架,使HPSO-RSC可以来解决高维优化问题。在CEC2008测试集上,对HPSO-RSC算法做实验；结果表明,HPSO-RSC对大部分标准复合测试函数都有很强的全局搜索最优解的能力。针对多目标优化问题中Pareto集随着进化过程越来越大,从种群中随机选择交叉对象的选择策略交叉后产生更优新个体的比例越来越小的问题,本文提出了带有导向性交叉因子的MOPSO/D (MOPSO/D-GC)。MOPSO/D-GC算法首先检测变量与目标函数之间的相关性,这样可以根据一个个体的目标函数值优劣情况来体现其变量基因段的优劣；在优化过程中,选择在不同目标函数上较优的个体相应的基因段做交叉,产生新个体。然后,为了更有效地利用个体邻域的启发作用,本文把个体邻域里其他个体的进步方向也作为个体学习的因素。同时,本文提出了一种根据优化过程中适应度值的变化动态地选择下一步要优化的个体的动态调度机制,并实验测试这种机制的效果。对MOPSO/D-GC算法在CEC2009测试集上的测试实验结果表明,MOPSO/D-GC对大部分多目标测试函数都能够找到理想的Pareto最优解,所得到的Pareto前端与真实Pareto前端比较接近；但对于几个具有多个局部Pareto解的测试问题效果一般。