粒子群优化算法(Particle Swarm Optimization,PSO)是在对鸟群捕食行为模拟的基础上提出的一种群智能算法,是一种新兴的优化工具。基于其较快的收敛速度,方便的参数调整和较好的优化稳定性,该算法自提出以来就吸引了国内外研究者的广泛关注,逐渐成为一个新的研究热点,并应用于各个领域。本文通过对国内外PSO算法理论及其相关应用的了解与研究,针对现有粒子群算法存在的问题和不足,基于PSO算法的优化特性,对该算法提出了两种改进方法,具体内容如下:(1)为了提高粒子群算法的收敛速度,防止算法过早收敛,基于惯性参数的重要性,本文第三章提出了一种基于惯性权重的改进粒子群优化算法。针对普遍使用的惯性权重线性递减策略不能反映算法实际的复杂优化过程,本文引入了两个反映算法优化状态的两个影响因子:粒子群的分散度因子和优化速度因子。通过将惯性权重表示为这两个因子的函数,粒子根据惯性权重的变化动态调整扩展空间的能力。利用测试函数与其它的几种改进算法进行仿真比较,验证了该算法在改进算法的优化性能方面的可行性。(2)本文第四章针对现有粒子群算法缺乏优化问题的先验信息,粒子搜索具有盲目性的问题,介绍了一种基于邻域模型和粗糙集思想的改进粒子群优化算法。该算法利用邻域的方法获得粒子群寻优空间的先验信息,获得具有较好适应度值的问题空间区域。基于粗糙集的知识约简的思想忽略适应度值较差的区域,动态地缩小粒子群的寻优区域。通过不断调整粒子群的优化搜索空间,达到了更高效率进行粒子群寻优的目的。通过优化十个典型测试函数并和LDW-PSO优化过程进行比较验证了算法的有效性。