参数优化是许多科学、工程问题以及社会经济活动中的重要研究内容。国内外学者已经针对这一问题提出了大量的进化算法,如遗传算法、免疫算法、蚁群算法、粒子群算法等。粒子群算法是一种新型的进化算法,由Eberhart和Kennedy于1995年提出的。源于对鸟群捕食的行为研究的PSO同遗传算法类似,是一种基于迭代的优化工具。系统初始化为一组随机解,通过迭代搜寻最优值。目前广泛应用于函数优化,神经网络训练、数据挖掘、模糊系统控制以及其他的应用领域。因此,研究此算法并改进它具有一定的意义。 本文分析了粒子群优化算法基本原理,总结了前人在PSO上所做的工作,并对比分析了目前对粒子群优化算法的多种改进。虽然粒子群优化算法的理论研究还处于初级阶段,到目前为止还没有人能够在理论上给出证明。但是,就已有的研究成果来看,粒子群优化算法的参数对算法的性能起着相当大的作用。到现在为止,对粒子群优化算法的改进一般都是在对参数的改进的基础上来进行的。 通过对粒子群优化算法的惯性权值和粒子的五种基本拓扑结构的分析,本文提出了一种新型的基于拓扑结构的自适应粒子群优化算法。该算法的主要特点是：对种群中的粒子的结构设置为A11结构,并在此基础上,引入了模糊随机数,使得算法能够在陷入局部极小值的时候更容易跳出来；同时也加快了收敛速度。 旅行商问题是一个经典的NP难问题。许多实际问题都可以转化为旅行商问题。本文把提出的新的粒子群优化算法应用到TSP当中,得到了不错的效果。