粒子群算法是模拟鸟群飞行觅食的行为,通过鸟之间的集体协作使群体达到最优。尽管每个个体的行为准则是很简单的,但组合成的整个群体的行为是非常复杂的。粒子群算法基于群体迭代,群体在解空间中追随最优粒子进行搜索。其优势在于简单容易实现,同时又有深刻的智能背景,既适合科学研究,又特别适合于工程应用。在研究粒子群算法的基本原理和研究现状的基础上,针对基本粒子群算法研究中存在的一些问题,提出了改进型的粒子群算法,最后将该改进型的粒子群算法应用于停车场的车位寻优过程。主要的研究工作包括以下几个方面:1、在差分进化算法中引入了动态比例因子,在PSO算法中引入DE算法的变异、交叉操作,重新构造了PSO算法的粒子位置更新公式,构造了一个新型的DE-PSO算法。2、在粒子群中的粒子进化到下一代之前,选用遗传算法的交叉、变异算子对粒子进一步优化。新的算法既保证了遗传算法强大的全局搜索性能,又同时融合粒子群算法的位置转移思想。这样,经过改进的算法充分利用了被遗传算法忽略了的种群的信息和个体信息,而粒子群算法又利用了遗传算法的“优胜劣汰”的思想,构造了一个新型的CMPSO算法。3、传统的粒子群算法一般采用线性递减的惯性权重调整策略,该调整策略往往使得粒子群算法不能反映非线性优化搜索过程,并且因为惯性权重的线性减小,在算法收敛的后期,粒子容易陷入“早熟”现象。针对这个问题,引入差异因子,并且动态调整PSO算法中的惯性权重。4、在将粒子群算法应用到停车场中的车位寻优过程中,如何设计适应度函数一直是此类问题的难点和重点,课题采用神经网络构造适应度函数,该适应度函数描述了环境约束及路径的距离信息。5、用改进后的新型粒子群算法应用于停车场中的车位寻优问题,仿真结果表明了新型粒子群算法的有效性和可行性。