随着优化问题的日益复杂,和求解优化问题的传统算法计算量与日俱增,我们迫切需要一类对问题需求比较宽松,计算量小、计算速度快的算法。群体智能优化算法应运而生,群体智能优化算法基本上是根据群体所表现出来的智能和进化理论而提出的一类算法,这类算法对问题信息需求较少,一般是通过群体的协作,个体的自我适应和群体的竞争三个步骤的反复迭代来达到优化的目的。作为群体智能算法的代表,粒子群优化算法是1995年由Kennedy和Eberhart提出的一种模仿鸟类觅食行为的算法。该算法具有结构简单、参数少和收敛速度快等优点,在随后的时间里,广大学者对算法本身进行了很多的改进和对算法的应用进行了进一步的研究。为了改善算法的求解精度和算法在求解矩阵特征值中的应用,本文在前人的基础上进行了如下两点改进:1、在标准粒子群算法的迭代中后期,在搜索到的全局最优位置周围生成一群新的粒子进行差分进化迭代操作,这部分新粒子迭代搜索到的结果会影响粒子群算法中的全局最优,实验结果也体现了此改进算法具有更高的搜索精度和更好的稳定性;2、在用粒子群算法求解矩阵特征值时,提出了动态调整适应值函数,使粒子群算法可以在一次的执行中求解出矩阵的所有特征值,消除了算法在一次执行过程中只能求解一个特征值的弊端。