最优化是一个重要的数学分支,也是一门应用相当广泛的年轻学科,最优化的目的是对于给出的一个实际问题,从众多备选方案中选择出最优方案。最优化问题是人们在科学研究、工程技术和经济管理等诸多领域中经常碰到的问题,其目的是找到使目标函数达到最小或最大的条件。例如,工程设计中怎样选择设计参数,使得设计方案既满足设计要求又能降低成本;资源分配中,怎样有效分配有限的资源,使得分配方案既能满足各方面的基本要求,又能获得好的经济效益。在人类活动的各个领域中都有最优化问题的身影。优化方法涉及的应用领域很广,问题种类与性质繁多,根据不同的原则可以给出不同的分类。根据决策变量的取值类型,可分为函数优化问题与组合优化问题(又称离散优化问题)。离散优化问题是一类重要的优化问题,随着计算机科学、管理科学和现代化生产技术等的日益发展,这类问题与日俱增,越来越受到运筹学、应用数学、计算机科学及管理科学等诸多学科的高度重视。很长时间以来,人们试图寻找解决各种组合问题的有效算法。长期的努力在此问题上取得了一定的成效,但NP问题仍然是21世纪一个最具挑战性的科学难题,是在理论信息学中计算复杂度理论领域里至今没有解决的问题。现代优化方法如人工神经网络、禁忌搜索、模拟退火、遗传算法和蚁群算法等在解决问题时展现出强大潜能,它们可在合理的时间内逼近复杂对象问题的最优解。这些算法涉及神经科学、人工智能、统计力学、生物进化等概念,很多都是以一定的自然、社会现象作为基础构造的算法,其中遗传算法和蚁群算法等称为智能优化算法。近年来,另外一种新的优化算法-粒子群优化算法(PSO)逐渐成为学者关注的研究方向之一。粒子群优化算法由Dr.Eberhart和Dr.Kenney于1995年提出,它是受到鸟群的社会行为的启发而形成的一种基于种群的随机优化技术。粒子群优化算法属于进化算法,具有进化计算的基本特征。它的主要特点是简单、收敛速度较快,且所需领域知识少。尽管粒子群优化算法发展近十年,但无论是理论还是实践都尚未成熟。本文在综述了PSO算法及其发展过程的基础上,通过对现有文献的研究和分析提出了粒子间信息交流的策略和具有动态分工策略的改进粒子群算法。粒子间信息交流的策略通过粒子之间直接的信息共享,能够提高粒子本身的搜索能力,使粒子能够发现一定范围的最优解,从而尽快找到最优解。在进化算法的研究当中,算法的探测和开发能力单靠一种算法往往无法得到有效利用与平衡,从而影响了算法的求解精度和效率。因此,在PSO算法搜索过程中融合其他优化