粒子群优化(PSO)算法,属于群体智能(SI)优化算法中一种较新的优化算法,经验表明,该算法在许多优化问题中表现优良。PSO算法原理简单且易实现,迭代运算的参数少,能够以较快的收敛速度收敛到全局最优,自提出以来就受到广泛关注。混沌广泛存在于自然界中,是一种确定性非线性系统的随机运动。混沌理论自从被提出以来,已成功应用于很多学科,在问题优化,控制系统,通信保密等应用领域取得了很多成果。基本PSO算法在求解复杂函数优化问题时存在不足,如易陷入局部最优,进化后期种群粒子多样性缺失,算法收敛速度较慢,解的精度较低等。本文分析了PSO算法的基本原理和优化流程,将混沌思想引入到PSO算法的搜索过程中,提出两种基于混沌映射的改进粒子群优化算法：一、提出了基于受控混沌映射的简化PSO算法。该算法采用不含速度项的简化PSO算法结构,利用经典混沌方程Logistic产生一组混沌变量,然后对该组变量加入控制输入,将得到的受控混沌状态映射到惯性权重中,对进化过程中停滞的步数大于设定值的个体极值和全局极值进行变异操作。通过实验,验证了该算法能显著提高收敛速度和精度,并增强粒子跳出局部最优的能力。二、提出基于受控混沌映射的改进捕食-被捕食PSO算法。该算法对捕食-被捕食PSO算法结构进行了改进,采用线型递减策略逐步减弱捕食粒子对被捕食粒子的排斥影响。将受控混沌变量引入到惯性权重中,并在算法的进化过程中对当前最佳粒子按计算得到的概率加入高斯白噪声。通过对基准函数的测试,验证了该算法在搜索过程的初期阶段做大量的探索工作,随着时间推移,逐步加强了对最优解的提炼能力,有效地提高了种群的多样性和全局极值的精度。最后,对论文进行了总结和展望。