粒子群优化算法(Particle Swarm Optimization,简称PSO)是由Kennedy和Eberhart于1995年提出的一种基于群智能(Swarm Intelligence)的演化计算技术。它是在鸟群、鱼群和人类社会行为规律的启发下提出的。粒子群优化算法在函数优化、神经网络训练、模式分类、模糊系统控制以及其它工程领域都得到广泛地应用。本文综述了粒子群算法的基本思想和提出背景——群智能计算,详细介绍了基本粒子群算法及其各种改进算法。本文主要将粒子群算法与进化规划相结合,在动态优化环境下给出一种改进的粒子群算法。在不同动态优化环境下对算法的跟踪效果进行了实验；在此基础上,引入了种群熵的概念,分析了改进的粒子群算法的种群多样性与跟踪效果的关系。本文重点包括以下两个方面：(1)由于基本PSO方法种群多样性损失过快,进化过程中易于陷入局部极值,引起算法过早收敛,这就使基本PSO方法对动态变化的极值点不能进行及时有效的跟踪。本文在动态优化环境下给出一种改进的粒子群算法,并在不同动态环境下将这种方法与现有的几种动态优化环境下的粒子群算法在跟踪效果上进行了对比。实验表明,改进的粒子群方法有很强的适应动态优化环境的能力,能够对动态变化的最优点进行有效的跟踪,无论在跟踪速度还是跟踪精度上都比其它方法有明显提高。(2)在动态优化环境下,对现有粒子群算法的种群多样性进行了分析,并对改进的粒子群算法的种群多样性与跟踪效果的关系进行了实验。实验表明种群中粒子运动的不同方式对种群多样性的变化及算法的搜索效果有影响。群体中如果发散个体太少,算法在环境变化时不一定能够跟踪到最优点,跟踪效果也变差。而群体中发散的个体太多,会降低群体的趋同效果,导致跟踪误差增大,针对不同的问题需要选择合适的群体多样性保持效果。