近年来,群智能优化算法因为卓越的处理黑盒问题的能力得到了迅速的发展。粒子群算法作为典型的群智能优化算法受到学术界以及工业界的广泛关注,然而传统粒子群算法以及大部分粒子群变体在复杂优化问题、高维多峰优化问题依然存在缺陷,易陷入局部最优。分数阶系统参数估计问题近年来得到了广泛的关注。由于使用传统的优化方法依然存在诸多困难,因此群智能优化算法与分数阶系统参数估计的结合是新的突破口。本文对粒子群优化算法做出了改进,使其能高效处理高维复杂优化问题以及分数阶系统参数估计问题。对于高维复杂问题的优化,本文提出了基于潜在信息改进的粒子群优化算法。首先,设计了第三个领导:潜在全局最优位置,可以提高领导者整体质量以及充分挖掘当前粒子群所在区域的隐藏信息。此后,为了增强粒子群算法的探索能力以及陷入局部最优的应变能力,设计了一个基于Lévy飞行的自适应突变策略来对高聚合度的粒子进行Lévy突变。最后,通过两组实验包括:与11个优秀的智能优化算法在30个测试函数集上的对比,与7个经典的粒子群优化算法变体在CEC2015测试函数集上的对比,验证了提出的算法对于高维复杂问题的处理具有较大的优势。对于复杂优化问题以及分数阶系统参数估计较困难且时效性差的问题,本文提出了基于代理模型改进的粒子群优化算法。首先,对粒子群位置更新方式进行修改,使其融入粒子的个体智慧避免盲目学习。此后,将代理模型融入粒子群优化算法,极大的减少计算代价同时能保证有效的收敛。为了进一步保证粒子群的探索能力,本文设计了一个自适应的Lévy飞行突变策略来对长期不更新的粒子进行莱维突变。最后,我们把此算法应用在两个分数阶系统的参数估计中,实验验证改进的粒子群算法相较于其他的智能算法,能以更快的速度、更高的精度找到最优点。