粒子群优化算法作为一种群体智能算法,利用群体的优势为寻找复杂问题的解决方案提供了新的思路,所以研究和掌握其特性与规律,是一个具有理论和应用两个方面重要意义的课题,同时对其应用领域的拓展也有重要的现实意义。虽然粒子群优化算法已在多个领域被有效应用,但其发展历史尚短,在系统化、规范化的理论基础方面还未成熟;如何将粒子群算法应用于更多领域,同时研究应用中存在的问题也非常值得关注。本文对粒子群优化算法及其在多个领域中的应用展开了细致的研究。在分析粒子群优化算法统一框架的基础上,对粒子群优化算法的收敛性分析和改进方法做了较为系统的研究工作;对粒子群优化算法在不同领域的应用以及在应用中存在的问题进行了研究,并在实际工程和仿真实验中进行了验证。本文的主要研究内容如下:(1)首先对群体智能中的知识涌现和研究方法进行了分析,介绍了群体智能的两种典型实现模式—蚁群算法和粒子群优化算法,对粒子群优化算法的研究现状进行了阐述,并分析了粒子群优化算法面临的难题。(2)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较为深入的研究,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。在此基础上提出一种基于混沌优化思想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。为了提高算法效率,在CPSO的基础上提出一种基于群体早熟收敛程度和个体适应值来调整惯性权重的自适应混沌粒子群优化算法(ACPSO),算法兼顾全局寻优和局部寻优,能够有效地避免早熟收敛。(3)针对目前很少研究关注非致密非规则数据聚类的情况,本文提出基于混沌粒子群优化算法和蚁群算法结合的聚类方法来求解此类问题。利用蚁群算法具有的组合优化方面的优势,在使用混沌粒子群优化算法优化蚁群算法参数的基础上,引入近邻函数准则来进行非规则非致密数据聚类。为了改善蚁群算法的性能,提出了一种动态自适应蚁群算法,算法在采用动态自适应更新信息素策略的同时,加入局部最优判断和处理机制,增加了解空间的多样性,提高了全局搜索能力。实验表明,对于非规则非致密空间数据的聚类问题,基于蚁群算法和近邻函数准则的聚类算法取得了良好的效果,一定程度上较好地解决了这类问题。(4)针对神经网络中的冗余连接不仅会降低神经网络处理速度,而且大量的冗余连接甚至会影响神经网络性能的问题,本文提出了综合利用混沌粒子群优化算法和离散粒子群优化算法同时优化前向神经网络结构和参数的新方法,该算法在使用混沌粒子群优化算法训练神经网络权值的同时,使用离散粒子群优化算法删除其冗余连接,实现连接结构的优化。并将该算法优化的神经网络应用在旋转机械故障诊断和高炉铁水温度预报中,结果表明,这种方法不仅能够有效地优化神经网络的结构,而且还能提高训练效率。利用粒子群优化算法的优化性能,继续拓宽其在神经网络的应用。提出了一种基于混沌粒子群优化算法和自组织特征映射(SOM)网络的聚类算法(PSO/SOM),使用CPSO对SOM网络进行训练来代替SOM的启发式训练方法,同时引进核函数,以加强PSO/SOM算法的非线性聚类能力。对Wine等数据集的实例研究表明,PSO/SOM算法相比基本SOM算法,能有效提高网络映射的准确程度,同时也降低了错聚率,提高了聚类识别的质量,实验结果表明该算法是一种有效的聚类算法。(5)针对当前的入侵检测系统对新攻击类型检测效率较低、系统误报率较高的问题,本文将粒子群优化算法的应用扩展到网络安全领域,由于SOM聚类方法不适合大规模数据,提出了基于粒子群优化和模糊c均值的无监督聚类方法(PSO-FCM)并应用于入侵检测中。最后采用KDD CUP99数据集进行了实验,结果表明该方法具有简单高效、检测速度快、易得到全局最优聚类的特点,且该方法不需要人工对训练集进行分类,能比较有效的检测出未知的攻击,同时具有较低的误报率和较高的检测效率。总之,论文对粒子群优化算法的理论及其应用进行了较为全面深入的分析研究。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。