估计混沌系统的未知参数是混沌控制与同步中必须解决的关键问题。将混沌系统未知参数的估计转化为优化问题,并用粒子群优化算法估计混沌系统的未知参数成为当前的研究热点。粒子群优化算法因程序实现异常简洁,需要调整的参数少,被广泛用于许多优化问题。但是,在具体问题中仍存在着很多缺点,该算法在寻找最优解的过程中容易出现早熟现象,从而导致收敛速度慢及收敛精度不高。针对该算法的不足本文给出了四种改进方案并将它们用于混沌系统未知参数的估计：1、通过改进粒子群优化算法中的惯性权重、学习因子及引入压缩因子,本文提出了三种改进的自适应粒子群优化算法：具有异步学习因子的自适应粒子群优化算法、具有压缩因子的自适应粒子群优化算法、同时具有压缩因子和异步学习因子的自适应粒子群优化算法。另外,还将它们分别用于估计Lu系统和Lorenz系统的未知参数。2、通过引入漂移算子及改进粒子群优化算法中的学习因子,提出了具有异步学习因子的漂移粒子群优化算法,同时还将该算法用于Chen系统的未知参数的估计。仿真结果表明,与传统粒子群优化算法相比四种改进的算法在估计混沌系统未知参数时均具有更快收敛速度及更高的收敛精度。