粒子群优化（PSO）算法在求解复杂多峰函数时极易早熟，陷入局部最优无法跳出。研究表明改变粒子间的拓扑结构和调整算法的迭代机制有助于改善种群的多样性，提高算法的寻优能力。因此，提出一种具有拓扑时变和搜索扰动的混合粒子群优化（HPSO-TS）算法。该算法采用 K-medoids聚类算法对粒子群进行动态分簇，形成多个异构子群，以利于子群内粒子间进行信息流通。在速度更新中，增加簇最优粒子的引导，并引入非线性变化极值扰动，帮助粒子搜索更多的区域。而后在位置迭代中引入花授粉算法（FPA）中的转换概率，使粒子在全局搜索和局部搜索之间转换。在全局搜索时结合狮群算法中的母狮觅食机制对粒子的位置进行更新；在局部搜索时引入正弦扰动因子，帮助粒子跳出局部最优。实验结果表明所提算法在求解精度和鲁棒性方面明显优于FPA、PSO、改进粒子群算法（IPSO）、具有动态拓扑结构的粒子群算法（PSO-T）；并且随着测试维度和次数的增加，这种优势更加明显。HPSO-TS算法所引入的拓扑时变策略和搜索扰动机制能有效地提高种群的多样性和粒子的活性，从而改善寻优能力。