粒子群优化算法(Particle Swarm Optimization, PSO)是由Kennedy博士和Eberhart博士在1995年提出的算法,该算法是一种新颖的仿生优化算法,由于粒子群优化算法的基本原理简单、实现操作简单,必须设置的参数不多,因此得到了广泛的认同和关注,而且已被应用于函数优化、神经网络、模糊系统控制等多个领域。本文首先分析了研究粒子群优化算法的重要意义,接着从PSO算法的基本结构、算法基本原理、改进的方法、实现的模式及应用的领域等方面做了较深入的系统的研究工作。本文的主要研究成果可归纳如下：1.针对PSO算法在进化搜索过程中常常因为种群的多样性减少的太快,造成PSO算法过早收敛,导致发生PSO算法寻找全局最优解的性能较差的问题,提出了一种改进的粒子群优化算法,在该算法中采用了动态调整的学习因子和基于粒子飞行坐标调整的惯性权重,并充分体现了劳动分工的思想,达到了增加种群多样性的目的。实验结果证明,该算法能够有效地避免种群早熟收敛,提高了算法的收敛解的精度。2.PSO算法中,粒子仅仅吸取个体经验信息和群体经验信息来搜索解空间以得到全局最优解,因此,粒子所获取的经验信息量不足以克服PSO算法早熟收敛的缺点。本文提出了另一种改进粒子群优化算法,该算法在粒子的速度公式中添加了附加的经验信息,以达到增加粒子个体自身所获得的经验信息量的目的,并且依据粒子的速度变化情况和粒子之间汇集程度来调整惯性权重,实验证明,该算法能够稳定地、有效地收敛到精度较高的最优解。3. BP (Back Propagation)算法是用于训练人工神经网络的一种学习算法,但是其具有训练速度慢、易陷入局部极小和全局搜索能力弱等不足。本文将提出的两种改进粒子群优化算法用于训练人工神经网络,通过实验对比分析,证明了改进粒子群优化算法在训练人工神经网络时可以有效克服BP算法所存在的不足。总之,论文对粒子群优化算法做了较为全面深入的分析与讨论,不仅提出了两种有效的改进的方法,而且拓宽了改进方法的应用领域。论文最后对所做工作进行了总结,并提出了进一步研究的方向。