随着科学技术的发展,越来越多的工业领域的生产过程离不开优化设计,尤其是大量自动化程度高,精密高端产品,更需要性能优越的优化方法。近些年,人们从大自然各种现象或规律中得到启示,发明了许多智能优化方法来解决复杂的优化问题,例如遗传算法、粒子群算法和蜂群算法等等。在解决多模态函数时,目前这些算法,包括改进算法均是以正向搜索(种群从搜索空间向全局最优位置收敛)为主,辅之以各种方法用于增强算法的种群多样性,保证算法的全局搜索能力,以使算法不易陷入局部最优点。通过模拟自然界中云的行为规律,本文提出一种新的随机优化算法——气象云模型优化算法(Atmosphere Clouds Model Optimization Algorithm, ACMO)。该算法主要由三部分组成,包括云的生成、移动和扩散行为。其中,云的移动行为和扩散行为组成了逆向搜索方法,种群以“云”的存在方式向整个搜索空间散布,用于提高种群的多样性,保证算法的全局搜索；而云的生成行为主要完成在当前全局最优位置附近进行搜索的任务,用于算法的局部搜索,保证算法的收敛性。为了测试ACMO算法的性能,本文通过一系列的多模态函数对算法进行了实验。仿真实验分为两部分,第一部分通过做实验分析了几个重要控制参数对ACMO算法的影响,进行了参数设置；第二部分将ACMO算法的仿真结果与粒子群算法和遗传算法进行对比,表明ACMO算法对于求解多模态函数具有一定的优势,而粒子群优化算法在收敛精度上优于其他两种算法。总之,ACMO算法是解决多模态函数优化问题的一种有效方法。最后,将ACMO算法应用到PID控制器参数整定中以验证算法的有效性。本文利用MATLAB中m文件编程与Simulink相结合的方式对其进行了仿真实验,并将结果与粒子群优化算法和遗传算法进行了对比,结果表明基于ACMO算法的PID参数整定方法是一种具有实用价值的、高效的参数寻优方式。