針對粒子群優化（PSO）算法容易早熟收斂、在進化后期收斂精度低的缺點，提出了一種基于多策略協同作用的粒子群優化（ MSPSO）算法。首先，設定一個概率閾值為0.3，在粒子迭代過程中，如果隨機生成的概率值小于閾值，則采用對當前種群中的最優個體進行反向學習并生成其反向解，以提高算法的收斂速度和收斂精度；否則，算法執行對粒子的位置進行高斯變異策略，以增強種群的多樣性；其次，提出一種將柯西分布的比例參數進行線性遞減的柯西變異策略，能夠產生更好的解引導粒子向最優解空間運動；最后，在8個標準測試函數上進行仿真測試，MSPSO算法在Rosenbrock、Schwefel‘s P2. 22、Rotated Ackley、Quadric Noise、Ackley函數上收斂的平均值分別為1.68E+ 01、2.36E -283、8.88E -16、2.78E - 05、8.88E - 16，在Sphere、G riewank和Rastrigin函數上收斂達到最優解0，優于高斯擾動粒子群優化（ GDPSO）算法、基于柯西變異的反向學習粒子群優化（GOPSO）算法。結果表明，所提出的算法收斂精度高，能避免粒子陷入局部最優。