近年来,研究学者们从自然现象中不断获得启示,提出了许多优秀的智能算法,如遗传算法、蚁群算法、模拟退火算法以及粒子群优化算法等等,智能算法有了长足的发展。神经网络用于优化计算采用BP算法作为连接权学习的工具,但是由于其是按误差的梯度下降方向搜索,所以易陷入局部最小而造成成熟前收敛的问题;用GA算法来优化神经网络的参数,可以达到搜索的遍历性,但是是以增加迭代次数为代价的,因此收敛速度比较慢。基本PSO算法应用到神经网络参数优化中既可以达到搜索的遍历性,又省去了GA算法中选择、交叉、变异等基本操作。在搜索速度上有所提高,但是由于群中的粒子都按照同一规则进行最优位置的更新和运动,在粒子陷入局部极小后,动作的一致性反而阻碍了算法跳出局部极小。基于这一问题,本文提出了一种改进的粒子群算法:聚集-重置粒子群算法(FRPSO)。FRPSO主要思想是在原算法的种群产生聚集现象的时候,改变那些适应值最差的粒子。通过不断重新初始化种群中适应值最差的那些粒子,来避免算法陷入局部极小。作者对改进的粒子群算法做了大量的研究,通过实验证明了改进的FRPSO算法能有效地帮助算法跳出局部极小,比原来的算法在性能上有了很大的提高,并将改进的FRPSO算法应用到神经网络参数优化中。通过对BP算法、GA算法和FRPSO算法的分析比较,结果验证了改进的FRPSO算法的有效性、优越性及可行性。