粒子群优化算法是通过模拟鸟群觅食过程中的迁徙和群聚行为得到的一种全局随机搜索算法。本文首先介绍了普通粒子群算法的基本原理和实现步骤,分析了基本粒子群算法存在的一些缺点,比如:容易早熟、对离散问题的优化效果较差、无法处理约束优化问题等。针对基本粒子群算法的这些缺点,本文提出了一种新的粒子群算法,用于解决粒子群算法的不足。针对粒子群算法的早熟现象,提出了一种波动下降的惯性权重,在迭代早期,粒子的惯性权重较大,随着迭代代数的增加,惯性权重是波动下降的,增强了粒子跳出局部最优的能力;为了解决约束优化问题,提出了一种虚拟边界增加种群的搜索能力;并且提出了一种违反约束的粒子进化理论使粒子群算法在解决约束优化问题时的搜索效率更高。最后针对这些改进,利用三个典型优化问题进行实验验证。实验结果表明,改进的粒子群算法在约束优化问题上的求解速度和精度都有比较明显的提高。最后,本文在城市公共出行的基础上,分析了人民群众公共出行的需求和公交盈利的相关业务,建立了一种基于公交-人民利益最大化的模型。其中考虑到客流变化趋势受天气、路阻等因素影响较大,并且从公交系统的业务需求上需要考虑一些约束,比如司机的工作时间、乘客的等车时间等,最后利用改进的粒子群算法对该模型进行求解,结果表明改进的粒子群算法是高效、可行的。