现实生活中,许多复杂的工程问题存在非线性、大规模、多模态、动态性的特点。传统的进化算法求解这类问题存在一定的局限性,因此需要对传统进化算法进行改进从而达到解决这类复杂问题的需求。粒子群算法(PSO),是对生物界中群聚动物寻找食物的行为进行观察而受到启发,而提出来的计算模型,具有简单、鲁邦性较强、搜索速度快以及精度高等特点。本文详细阐述了PSO算法的源起、结构特点以及改进发展和相关应用。多模态优化问题在现实应用中较为常见,该类问题常常包含若干个最优解(全局以及局部),为了求解此类问题,大量学者在进化算法的基础上,加入小生境技术做出改进。本文在第三章对多模态优化问题的数学模型做了详细阐述,介绍了一些经典的小生境技术,阐述了近来PSO算法在多模态优化中的相关研究。引入线性递减惯权重系数对星型拓扑结构以及环型拓扑结构PSO算法进行改进,并使用15种复杂的多模态测试函数对改进后的两种PSO算法进行仿真实验,证明了相关算法的优势。现实应用中,许多待优化问题都会随时间动态变化,因此动态优化问题是十分重要且十分具备难度的研究热点。群智能进化算法是优化这类问题的可行方案。本文在引入线性递减惯权重系数环型拓扑结构PSO算法的基础上提出几点改进。首先加入动态探测例子来探测外部环境是否变化,其次,一旦探测到环境变化,加入了对应的响应机制。一种响应机制是基于清除机制的小生境技术,一种是基于自适应拥挤度的小生境技术。通过相关动态测试函数对改进前后的算法进行仿真实验,实验结果表明,改进后的算法较改进前表现更好,具备一定的有效性,加入自适应拥挤度的响应机制的PSO算法在三者中表现最好。