粒子群算法从提出至今受到许多学者关注,在求解与优化命题相关的应用领域得到了快速的发展,如机器学习等领域,但是许多的粒子群算法采取单一的学习策略,不利于搜索信息的有效保留,本论文第三章提出了多策略交叉学习机制的算法DPPSO,首先将改进的差分变异策略引进粒子的速度更新以增强算法群体多样性；其次,综合利用差分变异与扰动策略两种不同的产生新解的方式。每一个粒子通过引进的差分变异操作和扰动操作分别产生一个中间粒子,再选择较好的粒子作为当前粒子的新位置,从而实现所有粒子动态的选择更好的生成策略来更新自己的位置和速度,因此该交叉策略能够有效提高PSO算法的群体多样性和搜索路径的多样性,粒子可以获取更好的启发式信息,沿着不同的路径被引向更有潜力的搜索区域。根据多策略粒子信息共享机制和多阶段扰动策略,本论文第四章提出了多粒子群协作的多阶段扰动精英引导粒子群优化算法MCpPSO,多策略粒子信息共享机制是通过子粒子群之间的信息交流来提高搜索的效率,它可以使得一些停滞不前的子粒子群从其它子粒子群中学习到新的信息继续进行迭代,多策略粒子信息共享机制对于使用精英学习策略的算法,可以在一定程度上减慢粒子向全局最优粒子的学习速度和强度,它增大了粒子在精英粒子附近的搜索范围,并且多样化了粒子的飞行路径。这种策略增大了跳出局部最优的可能性,使得粒子能够更准确地定位全局最优位置。为了验证所提策略的协作性和有效性,对算法DPPSO和MCpPSO进行了相应的性能分析,与经典算法和新近提出的同类算法进行了仿真对比试验。