粒子群优化算法(PSO)由Kennedy博士和Eberhart博士于1995年提出，是一种基于种群搜索策略的自适应随机优化算法。做为群智能的典型代表，PSO算法已被证明是一种有效的全局优化方法，它可用于求解大部分的优化问题，并在实际工程中表现出巨大的潜力。 但现阶段对PSO算法的研究还不够完善，算法核心部分的参数选择仍然有很大争议。目前许多对算法的改进，在提高了算法性能的同时，也增加算法的运算复杂度，这不适合于对算法收敛速度要求较高的应用，因此选择粒子群优化算法为研究对象，找到一种能够提高算法收敛速度又不增加算法复杂度的改进方法是很有意义的。 本文通过对算法收敛性以及算法局限性的分析，指出了可以提高算法性能的四种途径：提高收敛速度(本文改进所采用)、增加种群多样性、摆脱停滞的束缚、与其它优化算法的结合，对每种途径都做了详细分析，指明其优缺点。随后又指出了粒子群模型的一些容易被忽视的内在结构对算法性能的影响。 最后，提出了一种新的改进算法Modified PSO，它根据每次迭代中粒子的历史最优位置是否更新对粒子群进行动态分类，不同类粒子采用不同的参数选择，并根据粒子对上次迭代的速度的继承程度分为三种模型(MPSO1、MPSO2、MPSO3)。通过对基准测试函数的测试，证明MPSO能在不损失搜索精度的前提下极大提高算法的收敛速度，其中以MPSO3最为突出，满足了对收敛速度有严格要求的应用。