粒子群优化算法(PSO)是一种新型群智能优化算法,因其概念简单,参数较少,容易实现等优点,使其获得了国内外众多研究人员的青睐,现已被广泛应用在函数优化、自动控制、机器学习、工程设计等领域。但由于PSO算法仍在发展中,其理论基础以及改进方法和应用领域还需要进一步的研究和拓展。本文主要侧重于标准PSO算法应用的改进研究,主要的内容包括以下几个方面:首先,阐述本课题的研究现状及基本理论,包括算法原理、算法数学描述、算法步骤、算法流程以及算法的收敛性分析,并对PSO算法中的主要参数进行了详细的分析和讨论。其次,针对基于PSO算法的移动机器人路径规划容易陷入局部最优值的问题,借鉴雁群飞行启示,提出一种基于改进雁群PSO的移动机器人全局路径规划方法。利用混沌算法对雁群PSO进行初始化,并对于算法优化过程中出现的早熟粒子进行混沌处理,以此避免了算法过早收敛。另外,通过引入一种新的自适应惯性权重公式,更好的平衡了全局搜索和局部搜索。仿真结果表明,改进后的雁群PSO算法能更好的摆脱局部最优值,搜索到全局最优路径。最后,在离散空间的组合优化中,对于较复杂旅行商问题,PSO算法寻优后期出现粒子的多样性下降,利用遗传算法的思想提出交叉策略,这样可以使得上一代粒子的优势基因传递给下一代,此外,通过采用启发因子策略来改进PSO算法,使得算法的优化过程向全局最优值趋近。仿真分析表明,改进后的PSO算法在TSP问题中表现出了明显的优势。