采用改进粒子群优化算法的目的是能够很好的解决渔业船舶控制应用领域的复杂非线性优化问题。在研究渔业船舶的历史上,一般渔业船舶运动模型都是不确定的以及非线性的,故而本文主要研究渔业船舶非线性运动的情况,主要研究内容及方法如下:1.本文通过响应型数学模型、舵机伺服系统、海浪干扰模型和PID控制器来设计渔业船舶航向控制仿真模型,并且在该渔业船舶航向控制的仿真过程中加入改进粒子群优化算法（PSO）,改进粒子群优化算法的本质是粒子之间不断地学习和合作来产生粒子群公认的全局最佳适应值,得到较优控制性能的PID参数的值来控制渔业船舶航行。利用该算法对特定的目标函数进行寻优,在求解空间中搜索一组可以代表最优控制目标的粒子,所有最优粒子都聚集在全局最佳适应值处。改进粒子群优化算法属于智能搜索优化的范畴,最优位置是最优控制参数所处的位置,可以使控制渔船的航向性能达到最佳。仿真结果表明,将改进的粒子群优化算法获得的控制参数应用于渔船控制系统,渔船转弯时航向角的超调量很小。2.针对渔业船舶航向控制系统的控制性能与渔业船舶航向控制算法的控制参数相互关联的情况,从而建立了渔业船舶航向控制系统的目标函数。考虑到粒子群迭代次数和搜索过程中目标函数对PID参数值有一定的影响,因此,本文主要研究改变迭代次数和目标函数来比较对应的PID参数值,分析对应的PID参数对应不同的控制效果,继而得出最优控制效果。本文结果表明,在迭代次数90时能快速得到控制效果较好的PID控制参数,此后迭代次数不断变化但PID控制参数不发生改变。研究结果还表明,PID控制参数受目标函数的影响,目标函数的变化导致PID控制参数也会发生相应的变化,并且全局最佳适应值不同。3.调整舵角的角度,来验证上述得出的结论在不同舵角的情况下都适用。