粒子群优化算法(Particle Swarm Optimization，PSO算法)源于鸟群和鱼群群体运动行为的研究，是一种新的群体智能优化算法，是演化计算领域中的一个新的分支。它的主要特点是原理简单、参数少、收敛速度较快，所需领域知识少。该算法的出现引起了学者们极大的关注，已在函数优化、神经网络训练、组合优化、机器人路径规划等领域获得了广泛应用，并取得了较好的效果。尽管粒子群优化算法发展近十年，但无论是理论分析还是实践应用都尚未成熟，有大量的问题值得研究。 本论文围绕PSO算法及其应用，就如何改进传统PSO算法性能以及该算法在高维复杂函数优化、多目标优化、机器人路径规划、约束布局优化等领域进行了深入的研究。本文的主要研究工作和创新点可归纳如下： (1) 提出了团队协作寻找惯性权重曲线的PSO算法。针对PSO算法的参数—惯性权重的不足，该算法使用Sugeno或Yager模糊补算子函数、指数函数、SigmoidMF函数之一作为惯性权重函数，通过团队协作方式确定一条复杂优化问题相适应的惯性权重曲线指导算法收敛。此外，还给出了惯性权重曲线参数选取的指导性原则。