粒子群优化算法是一种基于种群搜索策略的自适应随机优化算法,作为群智能的典型代表,它具有原理简单、参数少、收敛速度较快等特点,已被证明是一种有效的全局优化方法,并在实际工程中表现出巨大的潜力,但无论是理论分析还是实践应用都尚未完全成熟,还有大量的问题值得研究。现阶段对PSO算法的改进,大多采用多种算法混合(如遗传算法和粒子群算法的混合优化)的方式,在提高了算法性能的同时,往往也增加了算法的理解复杂度和运算复杂度,这对算法的实现和工程应用是不利的。因此,选择粒子群优化算法为研究对象,从其本身优化运行特性分析出发,找到一种能够提高算法综合性能的单一粒子群优化改进算法是很有意义的。本文以对粒子群算法的根本问题和粒子群行为特性分析为基础,提出了一种新的粒子群优化算法,该算法在运行过程中根据群体适应度方差与理想方差的比较来动态改变确定当前最佳粒子的惯性权值,该算法增强了粒子群优化算法跳出局部最优解的能力,能够有效避免早熟收敛问题,同时又不引入其它算法概念,算法的理解复杂度、实现复杂度得到有效控制。另外,粒子群算法的应用研究,也是该算法研究的一个重要领域,本文首次将粒子群优化算法引入到高校图书采访决策支持系统的设计中。图书采购的质量直接影响着馆藏质量,从而在很大程度上决定着高校图书馆的整体服务水平。近年来,图书馆图书采购的主观盲目性造成的资源浪费和资金的综合效益最大化之间的冲突日益明显,鉴于这种情况,结合人工智能技术、计算机技术和图书采访理论等知识建立决策支持系统辅助图书馆决策就显得十分必要。采购图书,是为了在有限资金范围内最大限度地满足读者的需要,因此,构建高质量的图书采购辅助决策支持系统,其核心就在于设计高质量的读者需求分析算法和流通效用模型。本文在建立读者直接需求、分类需求分析模型的基础上,利用相似度理论建立了读者隐式需求分析模型,然后再利用D-S证据理论将各种估计加以综合得到最后的评价结果,得到遴选读者需求优先度评价模型。再运用数学建模的方法,建立起了反映采购复本量与图书流通效用关系的数学模型,并将改进的粒子群优化算法引入,设计了利用粒子群优化算法求解该模型的算法。