粒子群优化(ParticleSwarmOptimization,PSO)算法是一种智能优化算法，属于进化计算领域里的新分支。PSO算法结构简单、只有较少的参数需要调整、收敛的速度比较快、不需要梯度信息，既适合科学计算，又特别适合工程应用，因而从它问世以来就受到了广泛关注。但是现阶段，对PSO算法的研究还不完善，核心部分的参数选择依然存在争议；很多对PSO算法的改进，虽然提高了算法性能，但同时也增加了算法的运算复杂度；基本PSO算法在求解一些高维复杂的函数优化问题时存在不足，如收敛速度较慢、收敛精度不高、较易陷入局部最优等。因此，针对PSO算法进行改进，研究既可以提高算法收敛性能，又不增加算法复杂度的改进方法是非常有意义的。　　 论文侧重于对PSO算法在函数优化中的应用进行研究，在理论分析和科学实验的基础上，进一步改进和完善PSO算法，分别提出了三种基于不同策略的改进PSO算法。论文的研究工作及主要创新点概述如下：　　 一、提出了一种混合变异算子的自适应PSO算法。该算法在基本PSO算法的基础上做了如下改进：a)在速度更新公式中引入非线性递减的惯性权重；b)改进位置更新公式；c)对全局极值进行自适应变异。实验结果表明，该算法具有较快的收敛速度及较好的收敛精度。　　 二、提出了一种简化的自适应PSO算法。该算法基于以下改进策略：a)采用了去除速度项的简化PSO算法结构；b)选择混合指数下降形式的惯性权重；c)对全局极值引入随机自变异算子。实验结果表明，该算法可以有效避免“早熟”收敛问题，并且可以大幅度提高收敛速度。　　 三、提出了一种自适应混沌PSO算法。该算法在基本PSO算法结构中引入混沌变量，在算法陷入早熟收敛时进行混沌搜索，同时引入非线性递减的惯性权重以改进算法性能。实验结果表明，该算法能够有效调节全局探索和局部发掘能力，保持并增强种群的多样性，避免算法陷入局部最优，改善了算法的收敛性能。　　 论文最后对所做工作进行了总结，并提出了进一步研究的方向。