近十几年,随着智能计算领域的发展,智能优化算法发展异常迅速。对于陷入局部最优的情况,智能优化算法会选择尝试用不同的方式来做出改变,而且可以有效的在短时间内找到更优的解。智能优化算法基本想法可以称为是一种改进的方法,也就是先随机给出一个初始解,再根据不同的迭代思想,对已有的局部解进行改进,直到结果满足一定的预设的条件。例如,遗传算法(GA)、粒子群算法(PSO)、蚁群算法(ACO)、模拟退火算法(SA)等。智能优化算法的运用非常广泛,无论在连续型问题还是离散型问题都有非常广泛的应用。本文一方面应用于寻找化学上金属纳米团簇的最优构型,另一方面应用于危险化学品的运输问题。智能优化算法是解决复杂优化问题的主流算法。在这些算法中,PSO算法具有计算速度快,参数少的优势。但是,PSO容易过早收敛。为了解决这个问题,我们提出了将PSO算法与随机学习机制和莱维飞行相结合的RPSOLF算法。一方面,我们计算了大量的标准测试函数,并将这些结果与其他PSO的多种改进方法进行了比较。结果表明RPSOLF算法可以更快更有效地找到最优解。另一方面,RPSOLF算法也可以用来优化Lennard-Jones团簇,结果表明该算法高效地获得了最佳构型(2-60个原子)。综上所述,本文提出的RPSOLF算法是非常有效的全局优化工具。在危险化学品运输过程中,安全是值得认真考虑的重要因素之一。另外,随着对环境的日益重视,碳排放量也是危险化学品运输中的另一个重要的考虑因素。本文建立了 一个危险化学品车辆路径问题的新模型,以最小化成本和风险为目标函数,并对碳排放量加以限制。在这个模型中,总成本只包括固定成本。风险以暴露人群的数量为特征,并且与车辆载重相关。碳排放是由车辆所载货物的多少所转化的二氧化碳排放量决定的。为了解决所提出的新模型,本文结合了模拟退火算法,设计了一种改进的蚁群算法。最后,数值实验表明新模型是合理的。我们给出了不同二氧化碳排放下的帕累托最优解,供决策者选择。