در این پایان نامه الگوریتم جدیدی بر اساس مدیریت ذرات با نام بهینه سازی چند سطحی انبوه ذرات ((mlso) multi level swarm optimization) پیشنهاد می نماییم. الگوریتم mlso با الهام از تقسیم وظایف در کندوی زنبور های عسل و توجه به این نکته که خصوصیات هر نوع زنبور متناسب با وظیفه آن زنبور است و هم چنین با بهره از تئوری عدم قطعیت، طراحی شده است. الگوریتم mlso مبتنی بر جست و جوی چند سطحی فضای جست و جو، تقسیم وظایف بین ذرات، توانمند سازی ذرات در راستای وظیفه محول شده به آنها و همکاری بین ذرات می باشد. در الگوریتم mlso ذرات جست و جوگر به سه دسته تقسیم می شوند که عبارتند از: ذرات تخمینی، ذرات نیمه دقیق و ذرات دقیق. هر کدام از دسته ها سطح خاصی از جست و جو را پی می گیرند. جست و جو در سطوح مختلف از نظر دقت، آزادی حرکت، فضای تحت پوشش و سرعت ذرات با یکدیگر متفاوت می باشد. جست و جوی گسترده تر فضای جست وجو یا به عبارت دیگر فاز اکتشاف به عهده ذرات تخمینی است. برای تطبیق با این وظیفه ذرات تخمینی، بیشینه سرعت بیشتر و وابستگی کمتری به بهترین پاسخ فعلی (gbest) دارند و از مقدار تخمینی برای برازش خود استفاده می کنند. در مقابل، جست و جوی دقیق فضای جست وجو یا فاز استخراج به عهده ذرات دقیق است. به این منظور ذرات دقیق، بیشینه سرعت کمتر و وابستگی بیشتری به بهترین پاسخ فعلی دارند و مقدار برازش آنها دقیق محاسبه می شود. جست و جوی ذرات تخمینی سطح اول و جست و جوی ذرات دقیق سطح نهایی جست وجو می باشد. جست و جو در سطح میانی بر عهده ذرات نیمه دقیق می باشد. با تقسیم وظایف در الگوریتم mlso اجرای همزمان فاز اکتشاف و استخراج و استفاده از تخمین در محاسبه کارآیی ذرات را امکان پذیر نمودیم. استفاده از تخمین در برازش ذرات تخمینی از نقاط قوت این الگوریتم است که موجب کاهش زمان اجرای الگوریتم می شود. این الگوریتم را روی چند نمونه از توابع معیار الگوریتم بهینه سازی انبوه ذرات (pso) پیاده سازی نمودیم. نتایج گواه کارآمدی تئوری تقسیم وظایف و الگوریتم پیشنهادی ما است.