优化问题存在于人类生活的方方面面,一直以来人们都在寻求各种合适的优化算法去解决各种优化问题。随着各种应用领域的拓宽,一些出现的优化问题也变得越来越复杂,相应的针对这些优化问题的优化方法也就从传统的一些优化方法发展到智能优化算法,其中粒子群优化算法(PSO算法)作为群体智能的一个分支,PSO算法起源于科学研究者们对鸟群觅食行为这一群体活动的观察研究。鸟群在飞行觅食的过程中会集体协作保证能够找到食物,也是基于这一点,PSO算法是通过种群中个体之间相互协作,形成一种信息共享机制,进行信息交换,从而保证整个粒子群体能够找到最优解。因PSO算法的思想结构比较简单、易实现、运行参数较少、收敛速度较快等优点,也越来越受到人们的关注,已被广泛应用于科学研究和一些工程应用等问题中。但是PSO算法同时也存在着一些不足的地方,例如在解决一些多峰函数问题时,算法比较容易陷入局部最优,容易早熟收敛,特别是针对高维、复杂问题时。本文对PSO算法基本原理进行了介绍,对影响算法性能的一些原因作了一些相应的分析,并从理论研究和实际的应用领域两个方面回顾了当前PSO算法的一些研究状况。针对PSO算法存在不足,本文所做主要工作包括以下几个方面：(1)针对算法参数对算法性能的影响进行了一定的分析,提出一种双层粒子群优化算法(DBPSO算法),使算法参数在算法搜索过程中不断进化,实时地给算法提供最优参数,这种自适应的进化参数机制,改变了以往让算法控制参数按照一些固定进化方向变化的参数自适应思想,使用5个基准测试函数进行测试,结果表明,DBPSO算法在寻优性能上取得了不错的表现,在搜索速度和精度上面都得到了一定的提高。(2)就进化策略对算法性能的影响,指出不同的进化策略对算法的寻优性能的影响是不一样的,并提出了进化策略自适应调度的粒子群优化算法(ASPSO),将不同进化策略放在一起,形成一种策略池,在这种情况下,算法可以根据当前自身进化的实际情况,选择是否继续使用当前进化策略或使用下一种进化策略,这种策略自适应调度的粒子群优化算法更有利于算法寻优,使用3个标准测试函数对改进的粒子群算法进行测试,实验结果表明,ASPSO算法的寻优性能得到了一定的提高。(3)提出将算法控制参数自适应的双层粒子群算法(DBPSO)算法和进化策略自适应调度的粒子群算法(ASPSO)结合起来,形成一种参数和策略协进化的粒子群优化算法(Co-evolution PSO)。结果表明,Co-evolution PSO算法在寻优性能上较DBPSO算法和ASPSO算法都有一定程度的提高,取得了不错的效果。将上述改进后的三种算法均应用于优化压力容器模型设计,获得满意结果。