型的进化计算方法，包括遗传算法、进化策略、微分进化等；最后介绍了粒子群优化算法，阐述了粒子群优化算法的起源，介绍了粒子群优化算法的初始版本和标准版本，从理论研究和应用研究的角度综述了粒子群优化研究的现状，总结了标准粒子群优化算法存在的问题。同时本文使用了蒙特卡罗方法对粒子的行为进行了研究，结果显示PSO算法在迭代后期具有搜索能力较弱的缺点，同时也给出了如何提高PSO算法收敛性的方法。此外，九个标准测试函数用来测试PSO算法和其他几种流行的进化计算方法的性能，结果验证了PSO有着其他进化算法无法比拟的快速收敛等特性。
2尽管PSO算法比其他算法对复杂函数有着较强的寻优能力以及收敛速度快等特点，但是它依然无法保证在搜索空间中找到全局最优点。因此在本文中引入了具有着更强全局搜索能力的QPSO算法来进行研究改进。但是由于QPSO同PSO算法一样的是，它也把粒子作为一个整体来进行更新，因此QPSO算法同样具有维数限制的缺点。通过把一个具有复杂高维的粒子分解为多个一维的子个体进行优化，使用协作方法的QPSO算法能够很好的克服这一缺点。八个测试函数以及应用于图像分割领域的最大类间方差法（OTSU方法）在本文中用来测试改进以后的QPSO算法的成绩。仿真结果表明，与其他算法比较来看，协作方法帮助QPSO算法获得更精确的解。它同样也克服了OTSU方法受维数束缚的缺陷。
3在分析了粒子群全局收敛能力的基础之上，针对粒子群算法局部收敛和搜索精度低的问题，提出了一种全局的基于Gaussia
变异的粒子群算法GGPSO）该算法结合了局部和全局变异因子使算法在全局和局部搜索能力中找到了一个很好的平衡，并证明了它能以概率1收敛到全局最优解。典型函数优化的仿真结果表明，该算法不仅可有效的避免标准PSO算法的早熟收敛，而且具有寻优能力强、搜索精度高、稳定性好等优点。同时针对图像信息处理中的图象分割这一难点问题，以Kapur算法为优化目标，
I
f摘要
验证了该算法克服了图象分割中寻优速度慢的缺点，与其他群体算法比较获得了更大的适应度函数值。因此，该算法更适合于图像分割以及相关的函数优化问题。
4在分析了粒子群收敛性的基础之上，针对粒子群PSO算法后期搜索能力下降的问题，提出了一种基于适度随机搜索策略的粒子群算法IRPSO）该方法在提高粒子群算法收敛速度的前提下，有效的提高了粒子的全局搜索能力。另外，由于该方法只有一个控制参数和迭代公式，因此更为简单易实现。典型函数优化的仿r