粒子群优化算法(Particle Swarm Optimization, PSO)是在Kennedy和Eberhart源于鸟群捕食行为的研究而提出的一种群智能优化算法,是进化计算领域中一个新的分支。它具有简单的原理、极少的参数、较快的收敛速度和极易实现等特点。所以,该算法被提出之后,就受到国内外学者的广泛关注,很快成为了研究热点。目前,粒子群优化算法主要应用在神经网络训练、函数优化、多目标优化等领域,并且在这些领域取得了极好的效果和广阔的应用前景。目前,粒子群优优化算法的研究主要集中在两个方面：算法自身的研究和算法的应用。本文从以下两个方面展开了研究。一方面,论文提出了一种新型粒子群优化算法一基于蝗虫集群生物行为特性的蝗虫进化算法(LBPSO). LBPSO算法通过模仿蝗虫的生物学行为,提出了一种自适应的进化机制。作为一种类多种群的粒子群优化算法,LBPSO算法通过不断地自适应调节种群的数量,避免了许多多种群初始设置种群的盲目性。LBPSO算法的这种类多种群性,不仅保持了种群的多样性,并且增强了粒子的全局搜索能力。最后,Benchmark测试函数实验仿真表明LBPSO算法在优化效果、收敛速率、不同优化问题的适应性方面都有较明显的优势。另一方面,将LBPSO算法应用于无线传感器网络(Wireless Sensor Network, WSN)的动态覆盖优化问题中。该部分研究了在感知半径可变的能量消耗约束下,使得无线传感器网络覆盖率达到最大化。首先将网络能量消耗模型模化成节点感知半径的函数,然后提出了本文的动态网络覆盖模型,即随节点感知半径变化的能耗模型为约束,以最大化网络覆盖率为目标。仿真结果表明,无论在0-1感知模型下还是在概率感知模型下,LBPSO算法均能够得到较高的覆盖率。