粒子群优化算法(PSO)是一种基于群智能的优化算法，其算法简单、收敛速度快、全局搜索能力较强，仅需调整少量参数，并且在不同的优化问题中具有较为广泛的适用性，因此自提出以来就受到诸多学者的广泛关注。目前，该算法已被成功应用在函数优化、组合优化、神经网络训练、模式识别、模糊系统控制等领域。由于粒子群优化算法起源于对自然界中生物群落的行为的模拟，并不具备严格的理论基础，普遍存在早熟收敛等缺陷。本文针对粒子群算法存在的缺陷提出一些改进策略，并应用于古建筑传感器优化布置中，取得了较好的效果。主要研究工作如下：1.分析了惯性权重对粒子群优化算法的影响，进行了在迭代次数相同的情况下不同惯性权重对算法的性能分析。针对粒子群算法在平衡全局搜索和局部搜索之间的矛盾，提出了基于余弦自适应调整惯性权重的粒子群优化算法(CW-PSO)，该算法在迭代过程中自适应地选择不同的惯性权重来调整粒子的搜索方向和速度。测试结果表明，该算法在一定程度上提高了算法的全局寻优能力，并且不易陷入局部最优，较好地控制了其在全局寻优和局部寻优的平衡能力。2.针对粒子群算法在迭代过程中种群的多样性迅速下降，从而导致算法的局部收敛这一问题，提出了基于双种群策略的粒子群算法(DP-PSO)。该算法将原种群分为精英群和大众群两个子群，在每个群中分别进行不同的进化策略，同时为了维持粒子的差异性，设定一个更新周期，每隔一个更新周期两种群进行交叉，实现信息共享，协同进化。求解结果表明，该算法有效避免了粒子的多样性下降，同时合适的更新周期也能保证算法达到更好的收敛效果。3.以《保国寺大殿科技保护信息系统》为工程应用背景，将CW-PSO算法用于古建筑环境传感器优化布置中，并设计了合理的适应度函数。算法的输出结果基本符合专家建议，也进一步对算法进行了验证。