针对原始粒子群优化算法（PSO）在搜索过程中容易陷入局部最优点的问题，并尽量避免破坏种群多样性，提出一种含交叉项的混合二范数粒子群优化算法HTPSO。首先，利用二范数原理计算当前粒子与个体历史最优粒子间的欧氏距离；其次，将欧氏距离引入速度迭代公式以影响社交项对粒子速度的作用，并按照一定规律随机分布惯性权重；最后，在此基础上简化粒子群算法，并将差分进化（DE）算法中的交叉算子融入该算法中，使粒子能在一定概率下与个体历史最优粒子交叉。为了验证HTPSO的性能，与利用正弦函数改进惯性权重的粒子群优化算法（SinPSO）、自适应粒子群优化算法（SelPSO）、基于自适应惯性权重的均值粒子群优化算法（MAWPSO）和简化粒子群优化算法（SPSO）在不同维度下解决8个常用基准函数，并根据T-test、成功率和平均迭代次数分析了各算法的优化结果。实验结果表明，HTPSO具有较优秀的收敛能力，且粒子运动非常灵活。

为了克服差分进化算法寻优精度低、收敛速度慢、稳定性差等不足，提出一种基于多变异策略的自适应差分进化算法（ADE-MM）。首先，在3个变异策略的选择过程中添加2个具有学习功能的扰动阈值，以提高种群多样性，扩大搜索范围；然后，根据上次迭代的成功参数自适应调整当前参数，提高寻优精度和寻优速度；最后，利用向量粒子池法和中心粒子法产生新的向量粒子，进一步提高寻优效果。使用8个函数、5种对比算法（RMDE、OLCPDE、JADE、SaDE、MDE_pBX）进行测试，且每种例子都独立执行30次。ADE-MM算法在均值和方差的比较中取得了全胜，其中在30维的情况下取得了5个独立胜利，3个并列胜利；在50维的情况下取得了6个独立胜利，2个并列胜利；在100维的情况下全部为独立胜利。同时在Wilcoxon rank sum test、胜率和算法耗时分析中，ADE-MM算法也取得优异的表现。实验结果表明，相对于其他5种对比算法，ADE-MM算法具有更强的全局寻优能力、收敛性和稳定性。