一直以来,优化技术作为一种广泛应用于求解各种工程技术问题优化解的技术,受到了相关领域专家学者的高度重视,而且获得了快速发展。随着应用领域的不断拓宽,被优化问题的日益复杂,使得求其优化解越来越难,一些传统的优化技术已经不能满足求解的需要。智能优化算法的出现,不仅为优化技术提供了新的思路和手段,并且广泛应用于经济、科学研究和工程技术问题中。粒子群优化算法(Particle Swarm Optimization, PSO算法)是一种基于群体搜索策略的随机优化算法,来源于对鸟群和鱼群群体运动行为的研究。作为一种新的智能优化算法,它在求解复杂问题的优化解过程中,显示出了很强的优势。粒子群优化算法本身也存在一些固有的缺陷,如在算法运行后期种群多样性丧失和搜索速度迅速减小,导致算法停滞,出现早熟收敛。因此本文将惯性权重自适应调节机制引入到算法中,提出了一种动态自适应粒子群算法。在定义群体多样性度量函数的基础上,采用动态自适应调节策略,使得粒子的惯性权重随群体聚集程度而适时变化,从而调整粒子群搜索的速度和方向以跳出局部最优。对本文提出的改进粒子群优化算法的性能,在4个具有代表性的多峰测试函数上进行实验,并与其他经典算法比较,分析本文算法的搜索能力。实验结果表明,本文提出的改进算法在改善粒子群算法容易出现的早熟收敛和算法运行后期局部开发能力不足等问题是有效的。通过研究基于PSO算法的神经网络学习算法的原理和实现步骤,本文还将提出的改进算法用来优化RBF神经网络的关键参数,并将训练后的网络算法应用于时间序列预测问题。预测结果表明,经过改进算法训练的RBF神经网络,不仅具有收敛速度快的优点,而且具有很好的泛化能力。在时间序列预测的问题上,预测精度高,是一种有效的时间序列预测方法。