粒子群优化算法(PSO)是近年来被广为关注和研究的一种智能优化算法，源于对鸟群捕食系统的模拟。该算法相对于遗传算法(GA)简单容易实现，没有交叉和变异操作，需调整的参数不多，收敛速度快。现已广泛应用于目标函数优化，动态环境优化，神经网络训练等诸多领域，并在IEEE进化计算年会(IEEE Annual Conference of Evolutionary Computation，CEC)上作为一个独立的研究分枝。目前PSO的研究主要集中在两个方面：算法本身的研究和算法的应用研究。 本文的工作和成果可分为两个主题。第一个主题是提出了非对称互联型粒子群算法(AFIPSO)，并将该算法与改进的响应策略相结合应用于动态环境的跟踪，这部分内容体现在正文的第3、4章。第二个主题是将PSO用于神经网络(ANN)训练。包括将协同粒子群算法(CPSO)及其改进算法CPSO#2用于网络权值优化，以及将PSO用于ANN学习规则的进化。这部分内容体现在正文的第5、6章。 从粒子群的拓扑结构提出改进是算法本身研究的热点，也是难点，其中用于体现邻居域中粒子间影响力的加权函数设计至关重要。本文针对PSO搜索后期易陷入局部最优的缺点，从粒子之间拓扑关系的角度提出了非对称互联型粒子群算法(AFIPSO)。该方法重新构造了加权函数，体现了粒子之间的非对称影响，更加符合社会网络中人际关系和信息流通的实际情况。该算法根据粒子的两个特性，即粒子居于局部最优点的代数和粒子之间最优适应值的差别，构造了两类共6种函数，并将两类函数组合起来。实验结果表明，组合加权函数对算法的收敛速度和鲁棒性均有非常好的改善，尤其是多次实验的平均收敛率可达95％以上。 动态环境优化是优化学中的一个重要分枝，现实的优化问题大都是动态的。本文将AFIPSO用于动态环境跟踪，并提出一种改进的响应策略，结果表明：将AFIPSO与该改进策略相结合，相比传统的方法，收敛更快，跟踪目标变化更紧密。 近年来将PSO用于ANN的优化引起不少学者的兴趣，本文将CPSO引入权值优化问题，实现了高维权值空间的逐维细致搜索，具有更高的收敛精度。针对CPSO计算时间过长的问题，本文提出了专门用于ANN权值优化的CPSO#2改进型算法，在不失CPSO优点的情况下大大降低了计算时间。 以往的PSO-ANN研究只限于ANN的连接权值和结构的进化，将PSO用于ANN学习规则的进化是个新的尝试。本文将PSO用于优化BP训练算法的学习率