粒子群优化算法（Particle Swarm Optimization，简称PSO）是一种基于个体进化与群体协作和竞争的随机搜索算法。由于其过程简单明了、易于实现、计算效率高等特点，被公认为可以与遗传算法（Genetic Algorithm，简称GA）相媲美的高效算法，且已在众多领域被广泛应用。然而，值得关注的是，现有PSO算法在以组合优化为代表的离散问题求解上略显不足。为此，提出一种针对组合优化问题的整数编码混沌PSO算法（Integer encoded Chaos PSO，简称ICPSO），并深入研究其若干应用。主要研究工作包括： 1．系统分析PSO算法的基本原理及其典型的改进模型，在给出混沌理论与PSO算法结合的一般模式的基础上，以整数编码各粒子，以混沌序列指导全局搜索，以排列的改变描述粒子的飞行并更新粒子的位置，进而提出用于求解组合优化问题的整数混沌PSO算法（ICPSO）。 2．分析旅行商问题（Travelling Salesman Problem，简称TSP）基本模型，并基于排列组合进行问题描述，给出基于ICPSO的求解方法；并就典型的20个城市的TSP，与求解该问题的典型GA进行性能比较。结果表明，ICPSO能在较小的搜索范围内得到最优解。 3．分析标准装箱问题（Classic Bin Packing Problem，简称CBPP）基本的数学模型并给出基于排列组合的描述，设计基于ICPSO的求解方法；并就随机生成的30维CBPP问题，与求解该问题的典型GA进行性能比较。结果表明， ICPSO有更好的收敛性能和求解速度。 4．分析0-1背包问题（0-1 Knapsack Problem，简称0-1KP）基本的数学模型；针对0-1KP问题的特点，给出基于ICPSO的求解方法；并就随机生成50维0-1KP问题，与典型GA进行性能比较，显示了更好的求解性能。 总之，通过典型组合优化问题的求解方法的比较验证，ICPSO可以作为求解一般组合优化问题的有效方法。