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，是一种基于群体智能的进化计算技术，是进化计算领域中的一个新的分支。作为一种新的并行优化算法，粒子群算法可用于解决大量的非线性，不可微和多峰值的复杂问题优化，并已广泛应用于科学和工程领域。粒子群优化算法的收敛速度快，运算简单，易于实现，没有遗传算法的编解码和杂交变异等复杂运算。因此，粒子群算法一经提出，立即引起了进化计算领域的学者们的广泛关注，并在短短的几年时间里出现大量的研究成果。但是粒子群优化算法是根据全体粒子和自身的搜索经验向着最优解的方向“飞行”，在进化后期收敛速度明显变慢，同时算法收敛到一定精度时，算法无法继续优化，因此算法所能达到的精度较差。 本文系统地论述了PSO算法及其各种研究成果，并且针对基本粒子群算法的容易陷入局部极小值，搜索精度不高等缺点，在算法改进方面提出了与免疫算法相结合的PSO算法，利用免疫算法能够保持个体多样性的特点，使算法能够跳出局部极值。并使用四个经典的测试函数对其进行了测试，试验结果表明，这些改进取得了较好的效果。本文的重点在于对PSO算法的改进，主要内容包括： 1．抛弃传统的随机初始化粒子和粒子的速度方法，采用logistic映射生成初 始化粒子，以及粒子的初始速度； 2．将免疫算法中的基于浓度的选择机制引入到PSO算法中，这样结合了PSO算 法的全局寻优能力和免疫算法保持群体多样性的机制，使得PSO算法具有了 摆脱局部极值点能力，提高算法进化过程中的收敛速度和精度； 3．引入信息熵的概念来衡量粒子浓度，这区别于以往的简单的定义粒子浓度的 方法，使粒子浓度的定义更加合理，更能体现出粒子浓度的真实性。