粒子群优化算法在优化领域得到了广泛的应用。机器学习作为目前比较热门的研究领域,其具有涉及知识面广的特点,是人工智能最为核心的一部分。本文从改进粒子群优化算法作为出发点,随后将其尝试与机器学习技术相结合,并且将优化后的模型以进行实际案例实验的方式来验证其有效性,具体内容包含三个方面,分别为:1)提出一种使用新变异策略的粒子群算法-DCOPSO,变异策略中会对全局最优粒子进行逐维的重心反向学习变异。逐维变异降低了维间干扰,通过更新全局最优位置引领粒子向更好的位置飞行,同时加强了种群的多样性。2)以DCOPSO去优化BP神经网络在初始化过程中的参数,采用优化后的权值、阈值来进行模型的训练。本文以首尔市共享单车需求量为预测目标,对模型进行验证,实验对比了BP、PSO-BP和DCOPSO-BP三个模型,结果表明,经过优化算法优化后的BP神经网络能在初期就能达到一个比较小的损失,可以快速收敛,提升模型训练速度,而DCOPSO算法比PSO算法的效果也更好。3)以DCOPSO去优化SVM模型超参数,本篇文章中以高斯核函数为例,优化的目标为C和γ,传统的超参数寻找方法,包括贝叶斯优化或网络划分等。实验数据采用的数据集为乳腺癌患者各项相关指标的临床特征,患者共64例,另外还有52例健康者为对照样本。对比了SVM、PSO-SVM和DCOPSO-SVM三个模型,从实验结果来看,使用优化算法寻优可以寻找到一个使得模型更好的超参数,而DCOPSO算法所能寻找到的超参数分类结果最好。