粒子群优化算法(Particle Swarm Optimization，PSO)是一种著名的群智能算法，该算法是通过种群粒子间的信息交互来寻找全局最优点的。与诸多智能算法相比，它具有原理简单、较少的参数设置和容易实现等优点，因此近年来受到学者们的广泛关注和研究。目前，该算法已经成为了一种应用广泛的优化工具，已成功应用于函数优化、神经网络训练、智能控制等诸多领域。本文首先对粒子群优化算法的原理、流程、改进和应用进行研究，总结了目前PSO算法研究的成果，对比分析了目前对粒子群优化算法的多种改进。针对现有PSO算法容易陷于局部最优、收敛速度慢和精度差的缺点，本文提出了两种改进的粒子群优化算法。第一种改进算法是混沌粒子群优化算法，该算法针对优化问题特性，采用混沌理论对种群进行初始化，既不改变粒子群优化算法初始化时所具有的随机性本质，又利用混沌原理提高了种群的多样性和粒子搜索的遍历性，在产生大量初始种群粒子的基础上，从中择优出初始群体。在迭代过程中，一旦算法中种群最优粒子出现了停滞现象，就引入混沌理论进行变异处理，以帮助种群最优粒子逃离局部极值点，从而提高算法的寻优效果。第二种改进算法是多种群粒子群算法，利用不同种群之间探索能力与开发能力的差异，对搜索空间进行全局与局部搜索，使得算法的精度更高，在多种群的基础上引入了一种自适应更新速度的策略，使得算法的收敛速度加快。通过五种标准测试函数对这两种改进算法的有效性和优越性进行实验，发现混沌粒子群算法对于低维的函数寻优具有一定的性能改善，但是对于高维函数寻优性能不佳，多种群粒子群算法在低维和高维函数寻优时都能达到很好的效果，能够提高算法精度、稳定性和收敛速度。最后，研究了基于粒子群算法在约束优化问题中的应用，将多种群粒子群算法应用于软件可靠性分配问题，通过一个实际的优化问题求解证明了多种群粒子群算法寻优性能更优。