作为一种新兴演化计算技术,群智能已成为新的研究热点。已完成的理论和应用研究证明群体智能方法是一种能够有效解决大多数全局优化问题的新方法。更为重要的是,群智能的潜在并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证。与传统的优化算法相比,粒子群算法在多维函数寻优、动态目标寻优等方面有着收敛速度快、解质量高、鲁棒性好等优点,特别适合机械工程应用。由于粒子群算法在进化后期存在搜索速度较慢,容易陷入局部最优点以及搜索到解的时间较长且精度不高的缺点,所以对算法进行改进的研究就成为一个必要的课题。本文主要进行了两大部分内容的研究:针对惯性线性递减粒子群算法不能适应复杂的非线性优化搜索过程的问题,提出了两种改进的粒子群算法。一种动态惯性权值的粒子群优化算法(DIPSO)中,引入了进化速度因子和聚集度因子这两个参数。对于求最小值的优化问题:进化速度因子越小,表明进化速度越快,算法可以在较大的搜索空间内持续搜索,可以减小惯性权重的值,使得粒子群在小范围内空间搜索,以便更快的找到最优解。若粒子较分散,粒子就不易陷入局部最优解,随着粒子群的聚集程度的提高,算法容易陷入局部最优解,此时,应增大惯性权重,这样就增加了粒子群的搜索空间,提高粒子群的全局寻优能力。那么,改进算法的惯性权重就可以表示为进化速度因子和聚集度因子的函数。在每次迭代时算法可根据当前粒子群进化速度因子和聚集度因子动态的改变惯性权值,从而使算法具有动态自适应性。在一种自适应随机惯性权值的粒子群优化算法(ARIWPSO)中,引入群体适应度作为惯性权值的控制参数,使惯性权值随群体适应度变化,提出了自适应惯性权值的粒子群算法。针对提出改进的有约束的单目标粒子群优化算法,对三个机械工程实例进行了优化设计。结果表明:基于改进后的两种粒子群算法的优化设计切实可行,为复杂的机械优化设计提供了新的思路和方法。