粒子群优化算法是最近十年来提出来的一种全局优化算法，粒子群优化算法由于简单，容易理解的特点，加之可以方便地在计算机上实现，所以目前已经得到不同领域研究者的注意，其理论和应用方面的研究都已经取得了初步的结果。由于粒子群优化算法提出的时间不长，虽然它的形式看上去比较简单，但是一些根本性的问题，比如算法的机理问题，仍然没有得到很好的理解。在应用方面，如何将粒子群算法应用于解决多目标优化问题和约束优化问题，也有待进一步的研究。本文根据粒子群优化算法的研究现状，作了如下的一些工作： 1. 详细分析了粒子群算法的内涵，以及算法和其它方法之间的联系和区别。详细表述了粒子群优化算法的基本形式，步骤和结构。讨论了参数对于算法构造效率的影响，微粒种群的拓扑结构。在一些简化模型的基础上，得出了微粒的运动轨迹，并对其的敛散性进行了分析。 2. 通过对粒子群算法不能收敛到全局最优和早熟现象产生原因的分析，从调整微粒种群的拓扑结构入手，提出了两种不同的基于动态拓扑结构的自适应粒子群优化算法（PSO-DT）。最后将粒子群优化算法的全局搜索能力与基于梯度寻优的BFGS方法的局部搜索能力和快速收敛的优点相结合，充分发挥了两者的优越性，提高了算法的收敛速度。 3. 关于多目标优化方面，首先介绍了多目标优化的概念和方法，并介绍了几种前沿的多目标优化方法。最后又一次从微粒种群的拓扑结构入手，给出了一种基于动态调整种群拓扑结构的多目标优化方法：基于向量评价和动态拓扑结构的多目标优化方法（PSO-VEDT）。 4. 对于约束优化问题，首先给出了典型约束优化问题的概念，模型和解决方法，并介绍了几种用于粒子群优化算法的前沿的约束优化处理方法。最后再一次从微粒种群的拓扑结构入手，给出了一种可以处理约束优化问题的基于动态调整种群拓扑结构的粒子群优化算法：基于动态拓扑结构的粒子群算法（PSO-DTC）。 5. 在全文的最后，给出了一个有资源约束的多产品作业车间的优化调度问题。该问题是一个典型的多目标的约束优化问题。基于前三章讨论的结果，给出了一种可以同时处理多个优化目标约束优化问题的粒子群算法。通过数值试验，收到了良好的效果。 最后，总结了全文的研究内容，指出了一些尚待研究的领域，提出了进一步研究的方向。