粒子群优化算法(PSO)是一种启发式的基于全局的优化算法,是目前最常用的优化技术之一。是基于鸟群、鱼群的原始模型而设计的算法,由多个独立的个体构成群体。粒子群优化算法本身就是一个微型的人工生物系统。粒子群优化算法可以通过粒子间竞争和相互协同,来实现在一些较为复杂的搜索空间中去寻找其全局最优点的功能。它的特点有:容易让人理解、较易实现和全局搜索能力强等。现在已经受到了计算机领域学者的广泛关注,已经成为应用最快的群体智能算法中的一种。所以,PSO算法分析及改进策略研究对于现实社会生产等方面是有着很重要的现实意义。本论文首先叙述了群体智能的研究意义和背景,并说明了其国内外的研究现状。并且阐述了群体智能的特点,并介绍了几种常见的群体智能算法及应用前景。然后,围绕标准PSO算法的原理、参数影响等进行了如下工作:(1)对PSO算法中的惯性权重和学习因子进行了参数方面的改进,构造了余弦函数惯性权重递减策略和线性调整学习因子的参数自适应粒子群算法;(2)对粒子的个体历史的最优位置和群体历史的最优位置采用正态扰动策略,增强群体的多样性,有效地避免了陷入局部最优;(3)在前两步改进工作的基础上,提出了精英粒子群优化算法有效地利用了精英粒子信息,对群体中的个体位置进行更新,有效地提高了收敛速度。在本文的最后,对全文的所做的研究工作进行了总结和概括。并且对今后的工作作出了展望。