进化算法是人工智能领域研究的热点问题。粒子群算法作为进化算法的一个重要分支,在理论研究和工程应用方面均已获得许多重要研究成果。然而,粒子群算法在处理高维、复杂非线性问题时还存在着易陷入局部最优、收敛速度相对较慢等问题。此外,粒子群算法作为一种启发式的随机搜索算法,相比于传统基于梯度的优化算法,求解效率相对较低,因此在实际优化问题中的应用仍存在一定的局限性。近些年,国内外关于粒子群算法的研究主要集中在算法性能的改进以及算法在动态优化、数据挖掘等领域中的应用。本文主要研究内容如下：1.针对全面学习粒子群算法收敛速度相对较慢的问题,引入种群内全局与局部最优解信息,提出了全局与局部的全面学习粒子群改进算法,并通过仿真测试对两种算法的有效性进行了验证。结果表明两种改进算法能显著提高全面学习粒子群算法的求解效率,具有较快的收敛速度。2.采用自适应动态权重的方法将两种全面学习粒子群改进算法相结合,提出了一种基于动态邻域与全面学习的统一粒子群算法。通过大量仿真实验对算法的搜索精度与收敛速度进行了测试,并与其他粒子群改进算法进行了比较。结果表明本文所提出的粒子群改进算法在大部分测试函数中表现出显著优于其他对比算法的求解精度与求解效率。3.开展了基于粒子群算法的动态优化研究。采用归一化映射的方法简化了粒子群算法处理时间变量约束的问题。通过对算法在动态优化问题中的性能测试,结合局部搜索与Logistic回归分类器提出了一种适用于动态优化的自适应粒子群算法,并实现了从粒子群算法到局部搜索算法的自适应切换。针对动态优化问题的仿真测试结果表明所提出算法的有效性。