粒子群(Particle Swarm Optimization,PSO)算法思想来源于人工生命和演化计算理论,因其算法简单易于实现、收敛速度快和可调参数少等优点受到越来越多的学者关注,理论研究与工程应用继续向众多的领域深入发展。然而,传统粒子群算法易于早熟、进化后期收敛速度慢、处理离散优化问题欠佳等缺陷也显而易见。因此,针对粒子群算法改进与应用研究,具有重要的理论价值和实际意义。针对粒子群算法容易陷入局部最优和后期收敛速度慢的缺点,本文提出一种将克隆选择策略引入到粒子群算法的混合克隆选择粒子群算法(Hybrid Clonal Selection Particle Swarm Optimization Algorithm,HCSPSO)。该算法通过将粒子群算法生成的各个粒子的个体极值组成一个临时克隆种群,经过克隆扩增后,生成新的群体;通过对种群中的个体进行柯西变异以增加种群的多样性从而提高算法的全局搜索能力。标准函数测试结果表明该算法具有收敛速度快、全局搜索能力强和求解精度高等优点;应用于PID(Proportion Integral Derivative)控制器的参数优化的仿真实验结果表明HCSPSO-PID控制器能取得具有较好的控制效果。针对网络簇结构非常模糊的条件下复杂网络社区结构划分较为困难的问题,本文提出了一种面向网络社区探测的改进粒子群进化算法(Local Iterative Particle Swarm Optimization,LIPSO)。该算法采用标签传播思想对种群进行初始化,再依据种群极值和个体极值的状态量,采用比较变异策略来更新速度V;然后根据V的值来采用局部迭代搜索的方法更新种群中的粒子,最后利用单路交叉操作将种群中的个体与个体极值进行交叉操作。测试结果表明:该算法在计算机生成的网络簇结构极为模糊的情况下相比于相关算法具有更好的聚类精度,且在真实世界中的网络也能挖掘出较高质量的社区结构。本文从理论上深入分析了粒子群算法的原理和各个参数特点,提出了两种改进的粒子群算法,并将它们应用于PID控制器的参数优化和复杂网络的社区发现,推动了粒子群算法的理论研究和工程应用。