优化是个古老而实用的课题，在科学研究、经济规划以及工程应用等领域都能遇到优化问题。本论文研究的粒子群优化算法，是一种新近提出的基于群智能的优化技术。作为智能优化算法的一种，它能求解其它优化算法所能求解的绝大部分优化问题，且由于算法具有实现简单、需调控的参数少、收敛速度快以及鲁棒性强等优点，因而得到了迅速的发展。目前，该算法已成功应用于函数优化、神经网络训练、模式识别、模糊系统控制等诸多领域。本论文从以下几个方面对粒子群优化算法进行了研究。 首先，介绍了原始粒子群优化算法的机理，并从算法参数改进方面介绍了两种标准粒子群优化算法：一为带惯性权重因子的粒子群优化算法，调整了算法的探测与开发能力；一为带收缩因子的粒子群优化算法，保证了算法的收敛。同时，从混合粒子群优化算法、粒子群优化算法的离散化及应用等方面对算法进行了综述。 接着，从离散时间线性系统的角度对粒子群优化算法的行为进行了分析；还在给出一种简化模型的基础上，对粒子群优化算法的收敛性进行了论述。 随后，本文提出了一种简化的遗传粒子群优化算法，并用流行的Java程序设计语言建立了算法类库，为后续研究提供了便捷。同时，针对目前的并行粒子群优化算法需搭建复杂的网络环境，提出了在单处理器上利用多线程技术模拟的并行粒子群优化算法。对本文所提出的单个体子群、k个体子群及任意个体子群三种遗传并行粒子群优化算法，用标准测试函数的实验仿真验证了算法的可行性和高效性。 最后，对论文的研究工作进行了总结和展望。