该文阐述和分析了两种比较典型的群智能优化算法:微粒群算法和蚁群算法的基本原理、研究现状和发展趋势,并探讨了现阶段二者在理论研究和应用研究方面存在的主要问题.重点研究了微粒群算法性能分析、基于微粒群算法的混合型优化算法和层次化蚁群聚类算法.该论文的主要创新成果如下:1.针对微粒群优化算法理论基础仍相对薄弱,尤其是算法基本模型中的参数设置和优化问题还缺乏成熟理论论证和研究的问题,采用数理统计的方差分析和实验评估的方法,论证了微粒群算法中关键参数因子:惯性权、加速常数、种群规模对算法整体性能的影响,提出了相关参数的选择原则和修正方法.2.针对微粒群算法初始参数依赖性强和算法搜索能力弱的问题,提出了以微粒群算法和模拟退火算法为基础的混合型群智能优化方法.通过模拟退火算法赋予搜索过程一种时变且最终趋于零的概率突跳性,有效地降低了陷入局部极小的概率,从而能够获取更佳的近似最优解.另一方面,模拟退火算法的串行优化结构和微粒群算法的群体并行搜索相结合,拓展了微粒群在解空间中的搜索范围,提高了其优化性能,促进了种群群体多样性的发展.仿真实验证明基于以上两种算法的混合优化方法有效地提高了优化解的质量.3.针对微粒群算法和模拟退火算法混合优化算法计算效率低的问题,提出了通过调整温度衰减系数改善运行效率的方法.4.该文在分析基本蚂蚁聚类算法结构和特性的基础上,针对其中存在的计算效率低的问题,提出了层次化蚁群数据聚类算法.该算法通过阶段性的数据凝聚和搜索空间压缩提高了求解效率和聚类质量.仿真实验证明了该算法的正确性和有效性.