在实际问题和科学计算中,许多模型中都会含有多个参数,这些参数值的选取会大大影响模型的计算量,有时会将多个模型迭代使用,这样最终的计算量会更多。在智能优化算法中,参数值的选取也会直接影响算法的计算量,由于算法本身的随机性,算法的计算量也是不确定的,那么对于找出计算量的最小值这一问题就是一个随机优化问题。所以为了减少计算量,对于参数值的选取就尤为重要,也具有应用价值和实际价值。本文就以粒子群算法中的参数为例,对参数值的选取进行方法探讨。随机优化问题也是一个随机搜索的过程,本文将通过随机变量的特性和随机规划中的期望值模型两个方面来对粒子群算法中参数的优化进行方法探讨。主要的研究工作如下:1、由于参数的取值范围较大,首先就要考虑缩小搜索的范围,通过在禁忌表和希望表进行分散化搜索寻找到最有希望区域,然后对最有希望区域进行集中化搜索,从而确定最优的研究范围。2、针对随机变量的特性,需要对参数所对应的的目标函数进行求解,但是目标函数的解析式又不易写出,那么就先利用数理统计中具有对随机变量进行统计推断的方差分析法来判断参数的影响程度,然后再利用二次逼近求出目标函数的近似最小值,为了解决这一问题提出了带有二次逼近的方差分析法,对于这种方法又给出有关一元、二元和三元二次逼近的方差分析法的思想和基本步骤。3、接下来给出了随机规划中的期望值模型,但由于目标函数的解析表达式不易写出的特点,就可以用目标函数的近似值来代替目标函数值。通常模型求解会采用传统算法和智能算法,但对于这一类特殊的随机优化问题,本文利用改进的传统算法带有二次逼近的Powell算法和粒子群算法来探讨参数取值的问题。4、运用上面提到的带有二次逼近的方差分析法、带有二次逼近的Powell算法和粒子群优化算法分别对粒子群中的参数进行优化求解,通过这一实例说明本文所提出优化参数的方法是可行的。