智能计算方法在优化领域的研究日趋活跃，发展十分迅速，是目前的研究热点之一。本文对智能计算方法领域中研究相对活跃的粒子群优化算法(PSO算法)和遗传算法(GA)进行研究，提出若干新的改进型算法，如：从改善PSO算法搜索机理和搜索方式方面，提出了多相粒子群优化算法、三群粒子群优化算法、卡尔曼粒子群优化算法、离散粒子群优化算法、量子粒子群优化算法，通过对生命游戏机制的研究，将生命游戏规则取代遗传算法的交叉操作，提出基于生命游戏规则的遗传算法，还将PSO算法应用于优化PID控制器参数，提出PSO-PID控制；并将所提出新方法应用于化工过程的软测量、故障诊断和PID控制系统参数整定。本文主要研究成果如下： 1．针对基本PSO算法在高维空间搜索时的低效，将组成粒子的高维变量分成不同的相，各相具有相同的搜索目标，但是搜索按异步进行，并多次滚动校正，提出多相粒子群优化算法。测试实例仿真结果表明，多相粒子群算法对高维可分优化问题尤其是神经网络训练问题求解的效果良好。将多相粒子群算法用于加氢裂化航煤干点软测量建模，也取得良好的效果。 2．针对基本。PSO算法搜索方式存在的缺陷，从算法搜索方式的改进出发，在介绍两群粒子群优化算法的基础上提出了三群粒子群优化算法，它将粒子分成三个分群，每一分群均有各自不同的搜索目标和飞行方式；然后将其用于丙烯腈收率软测量建模。实验结果表明了该软测量建模的有效性。将卡尔曼滤波方法和粒子群优化算法结合而提出卡尔曼粒子群优化算法(KPSO)。KPSO通过卡尔曼滤波技术来定义粒子的运动，从而达到寻找最优解的目的。实验结果表明，KPSO的优化性能明显优于基本PSO，基于KPSO的软测量模型性能良好。 3．对离散粒子群优化算法(DPSO)进行研究，提出两种改进离散粒子群优化算法(IDPSO)，两种IDPSO都能较好改善基本DPSO收敛性差的缺点。其中，强制改进离散粒子群优化算法(HlDPSO)能快速又准确地找到函数的最优值，对背包问题求解应用结果表明所提出改进算法的性能良好。 4．将量子优化算法与PSO算法相结合，提出了量子PSO算法。针对量子PSO算法在更新过程中需要查表确定旋转角的角度，大大增加了运行时间，进一步提出了一种新的量子旋转角PSO更新策略，提高了算法的运行效率。同时，为了防止算法陷入局部最优，引入了量子非门和量子耗散门，增加群体的差异性，帮助算法跳出局部最优，提高了算法的搜索性能。最后，将量子PSO算法与支持向量机(SvM)相结合，应用于Tennessee Eastman(TE)过程的故障诊断。 5．对PSO-PID控制进行研究，提出PSO-PID控制思想，给出PSO-PID控制算法流程。初步研究结果表明，对于被控变量的控制效果，PSO-PID控制跟踪性、抗干扰性及鲁棒性要比常规PID控制好。 6．通过对人工生命科学进行分析，将人工生命科学中的“生命游戏”机制应用于遗传算法，形成基于“生命游戏”机制的遗传算法，该算法用生命游戏机制取代遗传算法的交叉操作。并对新算法的算法参数进行实验研究，最后将基于生命游戏的遗传算法应用于丙烯腈收率软测量建模，实验结果表明所提出用于丙烯腈收率软测量建模是可行和有效的。