优化问题广泛存在于科学探索与工程应用中。实践表明,研究和解决优化问题可以提升系统效率,减少资源消耗,促进经济发展,具有重大的理论意义和实际价值。粒子群算法(PSO)是一种求解优化问题的启发式优化算法,通过模拟鸟类迁徙及觅食行为,使粒子在复杂搜索空间里进行迭代寻优,具有易实现、鲁棒性强、适用性广等特点,目前已成为优化理论与优化算法领域中的研究热点。但是粒子群算法也存在易陷入局部最优、迭代后期收敛速度慢、求解精度较差等缺陷,所以,为了提高算法的性能和拓宽算法的应用范围,仍需对其进行更深入的改进和优化。针对粒子群算法的不足,本文提出一种基于模式搜索法的云模型粒子群算法(PCPSO),并将其应用于多模态函数优化中。该算法通过引入基于正态云模型的变异策略,使粒子群算法保持较高的种群多样性,有效避免其陷入局部最优;利用具有较强全局搜索能力的云模型粒子群算法(CPSO)在可行域内进行全局搜索,再使用具有较强局部搜索能力的模式搜索法(PSM)对搜寻到的较优解进行局部寻优以提高解的精度。经复杂多峰函数仿真测试及算法对比表明:在保证收敛速度的同时,该算法的求解精度和搜索到的极值点数目均得到显著提高。比例-积分-微分(PID)控制器是目前工业生产中最常用的控制手段,具有结构简单、控制精度高、稳定性好等优点。针对传统PID整定方法在复杂环境中效果不佳的问题,本文将所提算法与PID控制理论相结合,提出一种基于PCPSO算法的PCPSO-PID整定方法。该方法利用PCPSO算法卓越的寻优能力对控制器的参数进行全局优化以找出最合适的组合搭配方式,使控制器工作在最佳状态。经典型被控对象及啤酒发酵温度控制系统的仿真实验表明:该方法不依赖被控对象的函数性态,具有应用广泛、鲁棒性强、响应迅速、控制性能好等优点。