粒子群优化(Particle Swarm Optimization,PSO)算法是一种新型随机优化算法,该算法自提出至今一直受到国内外学者的高度重视,并被广泛应用于各种科学研究和实际工程领域。然而,到目前为止,PSO算法在理论研究和实际应用方面都尚未完全成熟,还有大量的问题值得研究。本文对PSO算法的改进及若干应用进行了研究,具体研究内容如下:(1)针对PSO算法容易陷入局部极值的缺陷,提出了一种自适应混沌粒子群优化(SACPSO)算法。该算法在搜索过程中通过自适应的调整参数的值来提高算法的全局探索和局部开发能力,并且通过计算群体适应度方差来判断种群是否陷入局部极值,当种群陷入局部极值时,利用提出的自适应Logistic混沌映射对全局最优粒子进行混沌优化,引导种群跳出局部极值点。测试函数的实验结果表明,SACPSO算法寻优性能好、稳定性强,能有效的避免陷入局部极值。(2)将提出的SACPSO算法应用于三维空间路径规划,通过仿真实验验证了SACPSO算法能够进一步提高PSO算法在三维空间中生成路径解的质量和效率,为三维空间中的路径规划问题提供了一种有效的求解方法。(3)针对PSO算法在求解旅行商问题时存在收敛速度缓慢和求解精度不高的缺陷,提出了一种基于不等概率操作因子和局部搜索的混沌粒子群优化(ULCPSO)算法。在该算法中,提出了不等概率操作因子的概念,为每一条边赋予一个不相等的概率值,以提高较短的边被选中的概率;在搜索过程中添加了局部搜索策略,用于提高算法的局部搜索能力;在算法的迭代公式中加入Logistic混沌映射来提高粒子的随机性和多样性,增强算法的全局搜索能力。实验结果表明,ULCPSO算法在求解旅行商问题时具有较快的收敛速度和较高的求解精度。