微粒群优化算法（Particle Swarm Optimization，PSO算法）源于对生物界鸟群群体运动行为的研究，通过群体间个体的合作与竞争来实现对优化问题的求解，是一种群智能优化算法，由于它的原理简单，参数少，收敛速度快，很快成为新的研究热点。该算法已经在函数优化、神经网络训练、组合优化等许多领域得到广泛应用，并取得了较好的效果。但是由于实际工程问题的复杂性、约束性等特点，使得简单的PSO算法难以满足实际需要，有大量的问题值得研究和改进。　　 本文主要研究PSO算法，首先讨论PSO基本算法，分析了该算法的原理及算法流程，并对参数的设置进行归纳，讨论了PSO算法在具体参数设定和调整策略、PSO算法拓扑结构、与其他智能算法相结合三个方面进行的改进。然后，作为微粒群算法改进策略的一种，讨论基于模拟退火的微粒群算法，比较基于模拟退火微粒群算法和基本微粒群算法的计算效率。重点比较了两种微粒群算法的收敛速度，能否有效地避免早熟，得到解的优化程度等特征。通过用基本测试函数进行实验，验证了模拟退火微粒群算法的优越性。最后，将基于模拟退火的微粒群算法应用于作业车间调度(JSP)问题的求解，针对最小化最大完成时间的JSP问题，给出一种基于随机键和析取图的编码和解码方式，采用关键路径法生成调度并对微粒进行评价，在使用微粒群优化操作的同时，设计一种基于关键路径的邻域结构，基于模拟退火策略进行局部搜索以提高算法的整体性能。经实验测试，基于模拟退火PSO算法对各算例均能获得最优解，有很好的搜索质量。同时，算法多次独立运行所得平均值和最差解非常接近，甚至相同，所以算法对初始群具有较好的鲁棒性。且优于多种PSO改进算法，取得了较好的结果。