本文首先分析了研究粒子群优化算法的重要意义,接着介绍了与PSO研究有关的几个基础问题,包括优化的基本概念和分类方法等。随后,从PSO算法的基本结构、算法特点、改进方法、实现模式及应用等方面做了较为系统的研究工作。本文的主要研究内容可归纳如下:(1)相对于颇有成效的实际应用而言,对PSO算法的基础理论研究尚较滞后。为更清楚的认识其内在机理,本文将粒子群优化过程看成一个动态系统的演变,对PSO算法的收敛性做了分析。进一步又导出了简化PSO算法的收敛条件,并以此条件对原始PSO和标准PSO进行定性分析。(2)为克服PSO在高维复杂问题寻优时仍有相当可能陷入局部极小的现象,提出一种基于中值迭代函数自适应序列生境粒子群优化算法。该算法利用中值迭代函数来判断搜索空间中的任意两点是否属于相同的峰,从而自适应的改变当前进化粒子的适应值,克服了标准序列生境算法中必须利用先验知识确定小生境半径的缺陷以及在利用山谷函数分类中必须利用先验知识确定采样概率矩阵的缺陷。将该算法用于多峰,高维复杂函数最优搜索问题。通过多个Matlab仿真实验,验证了算法的有效性。实验结果表明:算法能够自适应、更高效准确地遍历函数的所有极值,可应用于求解局部最优和全局最优问题。(3)给出了基于中值迭代函数自适应序列生境粒子群优化算法在调节PID控制器参数中的应用。将改进的粒子群优化算法用于PID控制器的参数自动调节,在Matlab/Simulink仿真环境中研究了其在一般二阶系统和纯滞后系统的参数整定方面的应用,并与领域内已有的控制算法,遗传算法和标准粒子群算法的优化效果进行了比较。