智能优化算法是近年来信息科学和计算机等领域的研究热点之一。如何提高该类算法在复杂环境中的搜索性能是该领域的关键问题和研究热点。粒子群算法(Particle Swarm Optimization,PSO)是一种智能优化算法。与其它优化算法相比,粒子群算法参数少、操作简单、容易实现。这些优点使它受到了许多学者的关注。目前粒子群算法已经广泛应用于模糊控制、车辆路径调度、模式识别、产品运营、广告优化、供应链优化等方面并取得了丰硕成果,但是它也存在着容易早熟收敛、迭代后期收敛慢、鲁棒性较差等问题,尤其在处理高维复杂问题时有可能陷入局部最优。为了进一步提高粒子群算法的搜索性能,在深入分析带收缩因子的粒子群算法(PSO with Constriction Factor,CFPSO)的特点基础上提出了基于模糊推理的自适应改进方法。主要思想是利用粒子种群信息,进行模糊推理动态调整算法的主要参数:一方面对学习因子进行模糊自适应调整,以平衡粒子个体向自身经验和向群体经验学习的能力;另一方面,通过模糊规则动态调整收缩因子,平衡粒子的全局搜索能力和局部搜索能力。通过对多个基准测试函数的仿真试验,并与标准的粒子群算法以及传统的带收缩因子的粒子群算法进行了比较和统计分析,结果表明改进后的算法的性能更好,尤其是对具有多个局部极值点且极值相差不大的多峰函数的优化问题更有效。最后,在量子粒子群算法(Quantum-behaved Particle Swarm Optimization,QPSO)基础上,提出了一种改进算法,根据算法的特点改进了势阱中心粒子的更新公式,并采用模糊推理的方式,引入健康度和粒子多样性来更新算法,计算机仿真试验和统计分析结果表明,改进后的算法具有良好的性能。