复杂网络抗毁性研究因其深远的应用背景而深受广大学者的重视，已成为了一个极具挑战性的前沿课题。本文以复杂网络理论为指导，以智能优化算法—粒子群优化算法为寻优工具，综合运用图论、统计物理、矩阵论、计算机仿真等多学科领域知识，围绕“复杂网络抗毁性优化”这一核心问题，深入地研究了复杂网络拓扑结构的抗毁性分析与优化，以及抗毁性优化在多机器人网络和列车运行网络中的应用。论文主要研究工作及创新点如下：　　1、针对复杂网络拓扑结构抗毁性优化问题，提出了一种组合增边优化方案，首先将待选边集映射成一个连续的整数空间，随后以代数连通度为测度指标，以带定向混沌变异的排序离散粒子群优化算法对整数空间进行组合寻优，该算法特征如下：提出错位均分机制初始化粒子位置变量和速度变量；提出排序机制使普通粒子位置变量与最优粒子位置变量之间的大小关系一一对应，在兼顾了全局搜索的同时从实质上缩小了粒子位置变量在每一维度上的搜索范围；提出定向混沌变异算子可使得粒子在优势个体附近加强局部探索，劣势个体尽快收敛到优势个体附近，并以混沌变异的随机性和遍历性保持种群多样性，有效平衡粒子群算法的全局搜索和局部搜索。最后，与逐次增边二分法在解决网络代数连通度优化问题上进行仿真对比，验证了本文算法的可行性与先进性。　　2、研究了多机器人系统无权网络模型中的优化路径规划，基于PSO算法以代数连通度为多机器人局部网络拓扑结构抗毁性测度，为机器人的下一步运动找出能使得局部网络抗毁性更好的目标点，并将找出的目标点作为路径规划的规划路径终点。然后针对多机器人系统所处的受限空间环境，提出了一种环境自适应区域栅格化的优化路径规划算法。该算法首先相对于起点和终点构成的中心轴线经障碍物垂直投影的形心做正交平行直线簇，将环境模型划分为区域栅格，并提出阻碍度指标来降低搜索空间的维度以优化区域栅格的划分。其次给出一种多维变异粒子群优化算法，在重构坐标系的横轴维度上进行随机变异，结合其纵轴维度上的定向变异，可有效平衡复杂环境中搜索优化解的效率与精度的矛盾，同时提出在粒子速度更新方程中增加有界随机扰动量以进一步提高算法跳出局部极小的能力，随后当优化解的适应度值小于设定的阈值时，提出最小二乘曲线拟合方法对优化解所描述的路径予以平滑处理，并进行碰撞检测。最后，与经典NDW-PSO及前沿C-PSO优化规划方法的对比仿真验证了算法的可行性和先进性。　　3、为尽可能减少由于自然灾害导致铁路运输受阻甚至中断情况下受影响的列车数，提出了对现有列车运行方案以抗毁性优化为目标的量化分析方法。首先基于当前列车运行方案建立列车运行网络模型，该模型以实际铁路站点为节点，以实际铁路线为边，以每条边开行的列车数量为边权重；随后提出了一个称之为度权效应的评价指标，该指标可以用来评价列车运行网络中节点的重要性，并以该评价指标的标准差分为目标函数，使用改进粒子群算法对网络权重进行优化。仿真结果得出了优化前后列车运行网络的抗毁性评价值分别为0.0044和0.0036，表明可通过量化分析方法来刻画列车运行网络的抗毁性能，并分别在选择性打击和随机失效两种攻击模式下对比分析优化前后列车运行网络的抗毁性，选择性打击模式下优化前后列车运行网络受影响列车数分别为总列车数71.2％和62.6%，而随机失效模式下的多次试验说明原列车运行网络更易于陷入瘫痪。