优化技术是一种以数学为基础，用于求解各种工程问题优化解的应用技术。多年来，由于其广泛的应用而备受瞩目，并且发展迅速。随着应用领域的拓展，最优化问题的时空复杂性使其求解非常困难，传统的优化算法已很难满足问题需要。近年来，智能优化算法的诞生给最优化技术提供了新的思路和手段，并在科学研究、经济及工程技术问题中得到广泛应用和发展。粒子群优化算法是一种新的随机搜索群智能优化算法。作为一种智能算法，它在复杂优化问题求解中显现了巨大潜力，成为近年来一个研究的热点。 本文简要介绍了与PSO算法相关的优化基础知识，系统论述了PSO算法的基本原理、实现流程以及算法产生以来的主要研究成果，并从算法改进和应用方面对PSO算法进行了深入的研究。本文的主要研究成果可归纳为： 1.根据对算法的经验分析，本文指出了算法容易出现早熟的原因，并把空间收缩的机制引入粒子群优化算法，根据空间收缩的不同方式，提出了两种基于空间收缩的PSO算法模型，即种群灭亡精英演化模型和淘汰不良粒子的精英演化模型，阐明了算法原理及重要参数对算法性能的影响。 2.通过系列的数值实验，给出了两种改进算法参数选择的合理建议。为研究本文算法性能，在5个具有代表性的基准测试函数上，进行了与一些经典改进算法的对比实验。实验结果显示，本文两种算法能有效地避免早熟收敛同时可提高算法后期局部搜索能力，从而很大程度地改善算法性能。这两种算法在高维复杂函数寻优上表现了明显的优势，尤其在30维Rosenbrock函数上表现卓越。此外，模型二算法优化效果更好。 3.本文将两种基于空间收缩的PSO算法作为学习算法应用于前向网络训练，研究了基于PSO的前向网络学习算法的原理和实现过程，并成功应用在解决投资预测问题上。结果显示，基于空间收缩PSO学习算法的前向网络训练速度较快同时具有很好的泛化能力，在投资问题上的预测精度高于基于BP算法的前向网络预测精度。