粒子群优化算法(PSO)是一种新兴的群智能优化算法，是由Eberhart博士和kennedy博士于1995年提出。其思想来源于人工生命和演化计算理论，是对鸟群觅食过程中的迁徙和聚集的模拟。同遗传算法(Genetic Algorithms)类似，都是基于种群的随机算法，但他们的遗传机制不一样，PSO算法并没有遗传算法用的交叉(crossover)以及变异(mutation)，它比遗传算法的遗传机制更简单，实现起来更容易，所以有着十分广泛的应用。虽然PSO在优化领域，尤其是函数优化得到了非常成功的应用，但它有着自身的局限和缺点。对于传统的PSO算法，超常个体的行为有可能控制整个群体的运动行为，从而导致局部最优，影响算法的全局优化性能。 混沌是自然界广泛存在的一种非线性现象，自1963年E.n.Lorenz在研究简化的大气动力学方程时发现混沌后，逐渐受到科学家们的重视，已被广泛应用于随机优化。混沌具有随机性、遍历性、不规则性等特点，尤其是混沌的遍历性特点，使其可以作为搜索过程中避免陷入局部极小的一种优化机制。 本文首先介绍了粒子群算法和混沌理论的基本概念，粒子群优化算法的参数选取和收敛性是影响算法性能和效率的关键因素，本文利用差分方程理论对粒子群优化算法的收敛特性进行了深入的研究，不仅讨论了粒子的轨迹对算法收敛性所产生的影响，而且分析了粒子的速度对算法收敛性的影响，并对算法的参数选取进行了分析。利用混沌的特性，提出一种基于混沌变异的混沌粒子群优化算法(CPSO)，利用混沌特性提高种群的多样性和粒子搜索的遍历性。通过对一系列经典函数的测试，做了对比实验分析。实验结果表明该算法保持了标准粒子群算法收敛速度快的特点，而且有效的增强了粒子群优化算法的全局搜索能力。