粒子群优化算法是模拟鸟类觅食行为而发展起来的一种基于群体智能的随机搜索方法,因其算法概念简单、易于实现、收敛速度快等优点,现已广泛应用于众多学科和工程领域。然而,粒子群算法本身也存在诸如收敛精度低、后期收敛速度慢及对复杂函数易出现早熟收敛等缺陷。因此,针对这些缺陷进行算法的改进研究具有重要的理论意义和应用价值。针对粒子群算法求解复杂函数性能欠佳的问题,本文在分析其原理及改进原则的基础上,为了扩大优秀粒子之间的信息交流,先对标准粒子群算法的速度迭代公式提出改进,以加快算法收敛速度；然后根据适应度方差和本次迭代最优值来确定是否执行重复搜索策略,以提高种群多样性,从而抑制粒子陷入局部最优；最后对全局最优值进行小波学习,加强全局搜索能力,同时对当前最优解进行局部精细搜索,以提高算法的收敛精度。12个标准函数测试结果表明,该改进算法收敛速度较快、求解精度高,避免了早熟收敛,优化性能得到提高。在标准粒子群算法框架的基础上,本文提出了一种融合单纯形的免疫粒子群优化算法(NMIPSO)。其基本思想是：在算法进化过程中融入基于云变异的免疫克隆选择算子,以抑制粒子因陷入局部最优而出现早熟收敛；算法后期引入经典搜索算法NM单纯形法,以提高算法的收敛精度。典型的多峰函数测试结果表明,该算法能有效摆脱局部最优解,准确搜索到多峰函数的多个全局极值点。自抗扰控制器参数众多难以调整,制约了这一优良控制器的广一泛工程应用。为此,本文将NMIPSO应用到自抗扰控制器参数优化整定中,参考ITAE性能指标建立了一种新的控制器控制效果目标评价函数,以一阶加纯滞后系统为受控对象,构造了自抗扰优化控制系统。实验仿真结果表明,经NMIPSO算法整定参数的ADRC,具有优良的控制性能,且具有较强的抗干扰能力和鲁棒性。