优化技术是一种以数学为基础，用于求解各种工程问题最优解或者满意解的应用技术，任何控制与决策问题本质上都可以归结为优化问题。对优化问题的求解已有的经典优化方法，主要包括梯度型算法和直接搜索算法，这些算法都是局部算法，不能解决非凸函数的全局优化问题。为了解决全局优化问题，学者们提出了一系列的生物启发式计算方法。微粒群优化算法(PSO)是依据鸟类觅食行为启发而提出来的一种启发式群智能全局优化优化算法，它具有概念简单、容易实现、收敛速度快等优点，已在许多领域得到成功应用。然而微粒群算法也存在早熟收敛、容易陷入局部最优值和搜索精度不高等固有缺陷，因此，需要针对这些缺陷对算法进行改进研究。首先，在微粒群算法的迭代运算过程中，通过引入非线性共轭梯度法以提高微粒群算法的开发能力，通过融入混沌序列提高微粒群算法的探索能力，从而提出一种基于非线性共轭梯度法的混沌微粒群算法。为了验证该混合优化算法的性能，将该算法用于寻找多峰函数的所有极值点。仿真实验主要从找全所有极值点的可靠性和提高解的精度两方面进行。从实验可知，基于非线性共轭梯度法的混沌微粒群算法提高了微粒群算法的多样性，从而具有很强的全局探索能力，并且提高了算法搜索精度，从而具有很强的局部细搜索能力。其后，在微粒群算法中，融入模式搜索提高微粒群算法的局部细搜索能力，并且引入柯西变异提高微粒群算法的多样性，提出了基于模式搜索的微粒群优化算法，将该改进的算法应用在自抗扰控制器(ADRC)的参数优化整定中。并且将优化参数的二阶自抗扰控制器应用于时滞系统，仿真实验主要在单位阶跃响应、抗干扰性、鲁棒性三个方面进行了验证。经实验表明，经该算法优化的自抗扰控制器具有优良的控制性能、抗干扰能力和鲁棒性。