粒子群优化（Particle Swarm Optimization，PSO）算法是一类受生物群体行为启发的群体智能优化方法，它通过模拟鸟群觅食中的个体认知和社会交互来实现种群在解空间上的并行搜索。目前，PSO已成功应用于解决工程实际和科学研究中的多种优化问题。然而，随着优化问题的日益复杂，越来越多的优化问题具有极强的模态性和高维度的变量。本文以多模态函数优化和高维数据聚类两个典型优化问题为主要对象，研究如何提高PSO在这两类问题上的优化性能。虽然PSO领域近年来涌现出了大量的相关研究成果，然而单一的适应度函数评价机制和缺乏有效的变量处理方法分别使得已有方法出现对多模态函数的早熟收敛和对高维数据的聚类性能退化。因而，本文的研究目的是通过挖掘新的个体评价机制和利用新的变量处理机制来分别提高PSO算法在多模态函数优化和高维数据聚类上的优化性能。本文的研究工作如下:　　(1)首先分别对PSO中的两个基础问题即最优个体的动态行为和更新模式进行理论分析和实验研究。介绍了基于随机稳定性定理的最优个体随机稳定性条件，并通过寻优实验来刻画不同参数设置对最优个体的运动轨迹的影响;在最优个体的更新模式上，对同步更新和异步更新两种更新模式进行实验对比，分析两种更新模式在不同类型的优化问题上的优缺点。　　(2)提出了一种基于粒子年龄的PSO算法以求解复杂多模态函数优化问题。首先以个体最优位置更新为判断标准，分析PSO的两种早熟收敛现象的本质区别，给出粒子年龄的定义;提出基于粒子年龄的个体评价机制，并构建以粒子年龄为核心的贯穿于整个搜索过程的种群管理、邻居选择、变异和参数控制等四种策略。在性能评估实验中，对普通多模态、反转多模态和移位反转多模态等三类复杂多模态函数进行优化，并与七种代表性的PSO算法进行性能对比，检验了所提方法的有效性。　　(3)受生物种群的年龄组特征的启发，提出一种基于年龄分层结构的动态多种群PSO算法。通过模拟种群的年龄组特征，将种群按照粒子年龄的差异划分为若干个子种群，构建拓扑结构和参数自适应两方面的子种群间的动态学习机制，进一步利用统计学方法分析种群在不同测试函数上的年龄特征来制定种群管理策略。寻优实验中，测试所提算法在函数优化和数据聚类两类优化任务上的性能，并所提算法分别与四种PSO算法和四种聚类算法进行性能对比。　　(4)针对数据聚类应用问题，设计了一种融合PSO算法和合作协同进化的高维数据聚类方法。在合作协同进化框架下，将含有K个簇的聚类问题转换为K个相对独立的聚类子问题，然后利用基于高斯分布的PSO算法来对每个子问题进行优化，同时给出相应的编码方式和子种群协同策略。另外，利用基于Chernoff边界的初始种群规模设定方法以使得初始种群以最大概率包含所有簇的对象。在寻优实验中，将所提算法应用在低中高三种不同维度的数据集的聚类问题上，验证所提方法的聚类性能，探讨适应度函数与聚类正确率之间的关系，并将所提方法与七种聚类算法方法进行性能对比。　　(5)针对固体氧化物燃料电池(Solid Oxide Fuel Cell，SOFC)的参数辨识问题，提出了一种基于混合学习PSO与合作协同进化的SOFC参数估计优化方法。在给定SOFC的输出电压与负载电流之间的关系式的基础之上，分析关系式中六个核心变量之间的依赖关系，从而完成问题的分解;进一步，提出了一种基于混合学习PSO算法来对每个子问题进行寻优。在性能测试中，将所提方法在用于两个实际SOFC系统的参数辨识任务上，对比所提方法在不同操作温度下的辨识性能，并与已有的九种优化方法进行性能对比分析。