粒子群算法(PSO)是一种基于群体迭代的新型仿生优化算法。该算法通过粒子个体之间的相互协调来寻找最优位置。同遗传算法等其它仿生算法比较,粒子群算法概念简单、可调参数少。目前粒子群算法引起人们的广泛关注,已成为人工智能领域一个新的研究热点。不过粒子群算法的发展历史尚短,其理论及应用研究还有待进一步的扩展。本文对PSO算法的搜索机制、改进及应用等方面进行了较为深入的研究。主要研究内容如下:针对粒子群算法搜索精度不佳问题,提出了一种具有局部最优模式的动态调整惯性权重的改进粒子群算法(MPSO),并且将其应用于复杂函数优化问题。本文一方面通过跟踪3个“极值”(个体极值、全局极值和周围极值)来搜索解空间的最优值;另一方面通过引入3种非线性递减函数对惯性权重ω进行调整,试图能够更加合理的反映粒子群搜索的非线性过程。为了克服粒子群算法对高维函数优化性能不佳问题,提出了一种非线性扩散粒子群算法(NDPSO)。该算法通过非线性递增的方式对粒子进行扩散操作,使得算法迭代初期可以避开大量非必要的扩散操作,而在迭代末期将有更大的几率进行扩散操作,从而既保证算法的运行效率又能有效地提高算法的全局搜索能力,与此同时用非线性递减策略对惯性权重进行调整,使得算法在没有扩散时提高其搜索能力。实验结果表明,非线性扩散粒子群算法性能优于基本粒子群算法及其一些改进算法。在离散粒子群算法的研究中,提出了一种基于蚁群混沌行为的离散粒子群算法(DPSO)。受蚁群算法启发,本算法借鉴了蚁群算法的信息素机制,对粒子群算法的速度位置更新公式重新定义;并在此基础上对粒子群的初始化进行混沌操作并在一定条件下进行重新初始化,然后将其应用到背包问题中,实验结果表明该算法可以得到较优解。提出了一种基于改进粒子群算法与人工势场法结合的移动机器人全局路径规划方法。采用本文提出的动态扩散粒子群算法来选择人工势场模型,以克服人工势场模型缺陷,实现路径和安全性的优化。实验结果表明该方法能有效提高路径规划的性能。