粒子群优化算法是由Kennedy和Eberhart于1995年提出的一种智能群体搜索算法。其基本思想来源于对鸟群简化社会模型的研究及行为模拟。该算法结构简单,无需梯度信息,易于实现,而且能灵活的调整全局和局部搜索能力,已经成为随机搜索的研究热点之一。粒子群优化算法虽然前期的收敛速度快,但后期仍然存在局部搜索能力不足和易陷入早熟收敛的缺点。本文针对粒子群算法局部搜索能力不足和易出现早熟收敛的问题,引入动态随机搜索技术,对种群当前最优位置进行局部搜索,极大地改善了算法局部搜索性能；采用佳点集构造对陷入早熟收敛的种群重新初始化,使种群跳出局部最优；采用负梯度方向直线搜索来加速算法寻优。仿真实验结果表明,本文提出的改进算法具有较快的收敛速度而且能有效地跳出局部最优,优化性能得到明显提高。针对目前的进化算法在求解约束优化问题时,处理约束条件的局限性,提出了一种新的求解约束优化问题的粒子群算法。该方法重新设计了可行解与不可行解的适应度函数,通过新的适应度函数来选择可行解与不可行解,巧妙的处理约束条件,同时动态“半可行域”概念的引入,增加了对不可行解的保留和利用,提高了算法的边界搜索能力。标准测试函数的仿真实验验证了算法的有效性。采用改进的粒子群算法对二级倒立摆控制器的参数进行了离线优化。仿真实验结果表明,寻优得到的控制器比对比算法得到的控制器超调更小,响应速度更快。