粒子群优化算法(Particle Swarm Optimization, PSO),简称粒子群算法,自从被发明以后就因为粒子群算法简单明了、参数少、收敛快、易于实现,并且是一种全局优化算法受到了众多学者的青睐。但是粒子群算法有时候容易陷入局部极小,由于粒子群体聚集到-定程度的时候,有可能会停滞不前,导致算法陷入早熟收敛。本文对粒子群优化算法进行研究,对算法提出了几种改进策略,并且将混沌编码应用到了粒子群神经网络,建立了混沌编码的粒子群神经网络模型。在基本的粒子群算法中,粒子的速度更新由粒子当前速度、粒子当前位置与粒子自身经历的个体最优值之间的距离以及粒子当前位置与粒子群经历的全局最优值之间的距离所决定。考虑到迭代前一次的粒子速度改变量对当前速度的影响,本文提出了一种带动量因子的粒子群算法,将粒子速度更新前一次的改变量引入到粒子群速度更新公式中,引入动量因子,减小粒子在速度更新过程中的震荡,加快算法收敛速度。在基本粒子群算法粒子位置更新公式中,粒子位置在每次迭代过程的更新就相当于粒子在单位时间内飞行的距离。而在算法的不同时期,在单位间隔内粒子位置发生的改变量不一样,并且单位时间改变量对整个算法寻优过程的影响也不一样。本文在原来的粒子群更新公式中引入一个时间参数,在算法初期增大每次迭代中粒子位置的改变量,在后期则减小改变量,仿真结果表明,引入时间因子后可以加快算法收敛,提高算法精度。传统的BP神经网络训练时间较长,在目标函数存在多个极值点时,按梯度下降法进行学习,很容易陷入局部最小；而粒子群算法易于描述,便于实现,需要调整的参数很少,早期收敛速度快,但是到了寻优后期,其结果改进则不甚理想。在基本的BP算法的误差反传调整权值的基础上,再引入粒子群算法的权值修正,该方法不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且模型的精度较高,较好地提高了BP网络学习能力与泛化能力。本文在传统的PSO-BP模型中引入比例因子λ1、λ2限制粒子群算法和BP算法在不同收敛时期所起的作用,并通过模糊控制对λ1、λ2进行整定；在算法收敛前期充分发挥粒子群算法的全局搜索能力和快速的收敛性,在接近或进入最优解区域时,减小粒子群算法的作用,加大BP算法的作用,利用BP算法快速的局部搜索能力,达到快速的收敛效果。混沌编码作为一种全新的数学编码方式,通过其隐含因子随时间和空间动态变化,可以更准确地表示出事物持续发展改变的过程。本文将混沌编码应用到粒子群算法。利用混沌编码的隐含因子,可以更好的表现出鸟群的特性,可以使粒子群算法更加逼近鸟群觅食行为,更加准确地模拟出鸟群的集体智能,使算法可以更快更好地找到全局最优解的位置。把混沌粒子群算法应用到神经网络的学习,用来解决分类问题,仿真结果证明比实数编码的粒子群神经网络效果更好。