微粒群算法是一种模拟鸟群飞行的群智能优化算法。由于其收敛速度较快,在优化一些多峰高维问题时易陷入局部极值点。作为微粒群算法的一个研究内容,拓扑结构具有提高种群多样性、减少上述现象发生概率的特点。但现有的各种拓扑结构均为预先设计好的固定方式,对性能的改善效果较差。为了更好的模拟自然界中信息的交流方式,受复杂系统研究成果的启发,本文提出了一种交互变邻域微粒群算法,其拓扑结构能随着迭代次数的增加而动态调整。鸟群觅食过程中,为了传递有用的信息,各个体之间会形成一些不同的拓扑结构,而这种邻域结构保持一段时间后,由于受到天敌、障碍物或各种其它原因,它们的邻域结构会进行重组,以形成新的拓扑结构。受此现象启发,本文将小世界模型中WS模型引入到微粒群算法中,提出了基于WS模型的交互变邻域微粒群算法,并设置相应的参数以转化微粒间的邻域结构重组和种群进化,进而平衡算法的全局和局部寻优能力。WS模型的随机化重连机制虽然提高了种群的多样性,但是会破坏节点间的连通性。NW模型作为WS模型的一种改进模型,该模型只在随机选择的节点间增加长距离连接,而原来的边保持不动,该模型在形成过程中不会出现孤立的簇。本文将NW模型引入到微粒群算法中,提出了基于NW模型的交互变邻域微粒群算法,并通过参数控制网络新边的增加量,在改善种群多样性的前提下尽可能的提高算法性能。标准微粒群算法中的群体历史最优位置也是导致算法过早收敛的一个重要原因。为此,本文模拟人类社会的群体决策现象,将群体决策策略分别引入基于WS模型的交互变邻域微粒群算法和基于NW模型的交互变邻域微粒群算法,用群体决策出的新位置来代替原有的邻域群体历史最优位置,从而进一步提高了算法多样性。仿真结果表明本文提出的改进算法在求解多峰高维问题时能较大幅度的提高算法了的性能。