粒子群优化算法由于原理简单、实现容易，已成为群智能领域的研究热点，其有效性在实践中得到了证明。根据群体智能算法的特点，种群中的粒子具有较强的随机性，所以搜索结果的精度难以得到保证。同时，因为标准粒子群算法本身简单，所以在处理复杂问题的时候，粒子一旦陷入局部极值，则容易导致算法早熟。本文针对粒子群优化算法处理优化问题的不足提出一种新的基于双种群的改进算法。本文的主要研究工作和成果如下：(1)针对基本粒子群算法，深入分析了参数在算法中所起的作用和参数的不同取值对算法性能的影响。在此基础上提出通过选取不同参数来改进基本粒子群算法的基本思想，确定一种基于双种群的改进粒子群算法的总体设计思路。(2)针对标准粒子群优化算法容易陷入局部最优，导致算法早熟的问题，提出了一种新的带赌轮选择的双种群粒子群优化算法(TSPSO)模型，并给出了相应的数学描述和计算流程；设计了种群间的信息交换机制，对算法中的参数选取进行了研究和测试；通过三个标准测试函数对该算法进行测试，结果表明：对于复杂优化问题，该算法优于标准粒子群优化算法和遗传算法。(3)为进一步测试TSPSO算法的工程实用性，采用该算法求解了电力系统中的最优潮流问题。为处理此问题中的约束条件，本文设计了自适应惩罚因子，该因子能有效区分最优潮流的目标函数和约束条件对种群进化的影响，使得种群可以跨越不可行域到可行域进行搜索。运用TSPSO算法对IEEE 30节点系统进行测试，结果表明该算法可以有效求解最优潮流问题。并且因为基于TSPSO算法的最优潮流问题求解流程具有通用性，所以该算法也适合求解更大规模的最优潮流问题。