粒子群优化算法(Particle Swarm Optimization，PSO算法)源于鸟群和鱼群群体运动行为的研究，是一种基于种群搜索策略的自适应随机算法，是进化计算领域中的一个新的分支。它的主要特点是简单、收敛速度较快、没有很多参数需要调整，且不需要梯度信息，在工程实践中表现出巨大潜力，现已广泛应用于函数优化、神经网络、模糊系统控制、模式识别等多个领域。本文从PSO算法的基本原理、算法流程、参数设置等方面做了较为系统的论述，并讨论了PSO的两种标准算法：惯性权重模型和收缩因子模型。标准PSO算法都是着眼于如何更有效地使粒子群在解空间中搜索最优解，但在高维复杂问题寻优时仍然存在早熟收敛、收敛精度比较差的缺点。针对粒子群算法易陷入局部最优解的缺点，在前人研究的基础上，通过粒子变异来提高算法的全局搜索能力，仿真试验证明改进后的粒子群算法在收敛精度上优于标准粒子群算法和惯性权重线形递减粒子群算法。PTA溶剂脱水塔是PTA生产中的关键设备，其平稳、安全、高效运行对PTA生产过程具有举足轻重的作用，因此对溶剂脱水塔进行操作优化具有重要的理论和实际意义，本文以PTA装置溶剂脱水塔为研究对象，采用主元分析PCA与BP神经网络相结合的方法建立了溶剂脱水塔塔底醋酸收率的模型。在此基础上采用改进粒子群算法对PTA溶剂脱水塔操作优化，以指定的醋酸收率为目标函数，优化操作命题，获得溶剂脱水塔的最优化操作条件，实际应用表明，与原操作工况相比，溶剂脱水塔能获得更优的塔底醋酸收率。