陶瓷是我国优秀传统文化之一,古代陶瓷产品作为艺术品,工匠们为了提升陶瓷产品的美观度通过大量试验总结了许多陶瓷配方。现代工业中,陶瓷产品作为优秀的非金属功能材料广泛应用于建筑、航天、汽车工业、军工业等不同领域,不同于古代以陶瓷原料配料比作为陶瓷配方,现代陶瓷配方是由化学组成构成的化学配方。求解陶瓷配方问题,即根据原料和目标配方选择配料比,使其化学成分误差最小,实质是个典型的最优化问题。在求解最优化问题上,过去常常使用线性规划法、梯度下降法、牛顿法等数学方法。随着智能计算的提出,由于智能计算方法具有较好的并发性、鲁棒性及自适应性,在求解复杂高维的最优化问题中取得了较好的效果,常见的智能计算方法有遗传算法、粒子群优化算法等。由于粒子群优化算法寻优能力强、操作简单、参数设置简洁,得到了国内外众多学者们的青睐。本文总结了粒子群优化算法中几个重要参数对算法性能的影响,并针对粒子群优化算法易于陷入局部极值,算法后期收敛速度慢等问题,融入了几种不同的改进策略,主要工作如下:（1）阐述了粒子群优化算法国内外研究现状,陶瓷配方问题的产生以及使用智能优化算法来解决陶瓷配方问题的意义。（2）自适应惯性权重变化。基于粒子飞行过程的历史经验和飞行状况,通过引入全局极差值,设计一种新的自适应惯性权重策略,对粒子种群中每个粒子的惯性权重进行自适应变化,当粒子适应度值越接近全局最优值时,可以判断此粒子更需要对其邻近区域进行探索,当粒子适应度值越接近全局极差值时,可以判断此粒子更需要扩大其搜索范围。（3）非线性异步学习因子。在算法前期采用较大的c1和较小的c2可以使粒子更加注重自我认知,尽量扩大其在解空间飞行的范围,增加种群多样性,在算法后期采用较小的c1和较大的c2加快其向全局最优解位置飞行的速度,有效平衡了粒子种群的全局和局部搜索性能。（4）将融入了自适应惯性权重及非线性异步学习因子策略的改进粒子群优化算法应用于陶瓷配方问题上,通过线性加权和法使陶瓷配方问题从多目标问题转换为单目标问题,并结合Critic法对不同化学成分组成赋权。在多组陶瓷配方的仿真实验表明:改进粒子群优化算法相比于其他测试算法在收敛速度,配方精度上有均有明显的优势,能有效应用于陶瓷配方设计问题。