群体智能算法的产生摆脱了传统优化技术当前所面临的困境，为求解日益规模化、复杂化、约束强的优化问题提供了新的思路，同时也解决了工程、化工、图像处理等领域的诸多实际问题。粒子群优化算法(Particle Swarm Optimization，PSO算法)是其中一种新兴的随机搜索算法，它在向个体自身历史最优和种群最优学习的基础上，不断向全局最优解靠近来达到寻优目的。该算法因具有实现简单、调整参数少、收敛较快等特点，在实际应用中表现出了巨大的潜力。然而PSO算法在理论数学分析方面与实践应用研究方面都尚未完全成熟，且算法自身也存在着局限性。本文从粒子群算法的基本理论分析、改进及应用方面展开了研究，研究的主要内容包括：1．总结了标准PSO算法在运行后期出现多样性匮乏的原因，针对该缺陷，本文提出了一种改进的PSO算法，改进的工作包括：第一、提出了采用以全局最优粒子为中心点的动态单位空间内粒子个数作为聚集度，衡量种群的多样性，降低了多样性计算的复杂程度；第二、利用基于欧式距离的向量相似度的概念定义了粒子相似度；第三、将计算出的相似度作为粒子变异策略的依据，提出了基于相似度变异的变异公式；使用MATLAB对改进算法进行了仿真，并将其与几个经典的改进算法进行了对比，实验结果说明了改进算法的有效性与优越性；2．本文选取了电子商务中的两个优化问题：季节性产品定价问题与物流配送中心选址问题，首先对这两个问题进行了相关知识的介绍，最后采用实例对模型进行了求解，一方面证实了本文提出的改进粒子群算法的有效性，另一方面也拓宽了粒子群算法的应该范围。