针对粒子群优化算法中典型线性递减策略的惯性权重不能和运算过程中非线性变化的特点相匹配的问题，提出一种用典型线性递减策略和动态变化策略相结合的方法来确定惯性权重的粒子群优化算法(L-DPSO)。该算法充分利用了线性递减策略的线性和动态变化策略的非线性特点，对两种策略赋予了相应的权重。然后将L-DPSO算法和单独使用典型线性递减策略来确定惯性权重的粒子群优化算法(LPSO)及单独使用动态变化策略来确定惯性权重的粒子群优化算法(DPSO)进行比较，用Griewank和Rastrigin函数进行测试，结果表明，适当调整典型线性递减策略和动态变化策略的权重，L-DPSO算法的收敛速度明显优于LPSO和DPSO算法，收敛精度也有所提高。最后，对L-DPSO算法和几种常用的惯性权重计算方法确定的粒子群优化算法作比较，用Griewank和Rastrigin函数进行测试，结果表明L-DPSO算法也有明显优势。

在用常规算法对配送中心进行连续性选址时，很容易陷入局部最优解。针对这一问题，引入ALA方法的思想，提出了解决此类模型的粒子群优化算法。该算法首先利用ALA方法的局部寻优能力对初始粒子进行优化，然后利用粒子群优化算法进行全局寻优。通过实例分析表明,该算法能很好地处理物流配送中心的连续选址问题，为决策者提供一种有效的优化工具。