粒子群算法(Particle Swarm Optimization,简称PSO)是一种新兴的群体智能算法,是受鸟类群体觅食行为的启发,再结合个体学习、文化传播的概念而形成。粒子群算法由于计算快速和本身的易实现性,一经提出就受到关注,并已广泛应用于函数优化、神经网络训练、模糊系统控制等领域。但是目前粒子群算法理论基础还较薄弱,如何提高算法性能仍然是重点研究方向。本文在查阅文献的基础上,对粒子群算法的自适应改进及其在多目标优化中的应用进行了分析和研究。首先,本文介绍了群体智能算法的原理及其特点,特别对三种典型的智能算法原理和特点进行分析和比较,同时说明了本项目组的研究背景及本文的研究内容。然后本文介绍了粒子群算法的起源背景,从生物学原理过渡到算法的基本思想及其粒子的运动轨迹。通过基本粒子群算法的模型介绍,分析了算法的参数设置、具体实现流程及优缺点。初步总结了粒子群算法的主要应用和研究现状,介绍了改进粒子群算法的发展历程和改进方向。并针对几种典型的改进粒子群算法进行实验,分析其适用性及。进而针对目前粒子群算法存在的不足,本文提出一种改进算法,自适应粒子群算法AFIPSO。通过自适应调整飞行时间和惯性权值,克服了粒子群算法在进化后期搜索能力下降的问题,并且充分利用目标函数的信息,提高了算法的稳定性,加快了算法的收敛速度。通过测试函数对AFIPSO算法进行实验,实验表明:AFIPSO算法具有较好的稳定性和收敛速度。最后将本文提出的自适应粒子群算法AFIPSO应用于多目标函数优化,通过实验证明该算法优化多目标函数的有效性。并将该算法应用于FCCU分馏塔多目标优化模型,获得的优化效果优于以往文献,进一步验证了自适应粒子群算法AFIPSO的有效性和可行性。