PSO算法是一种基于群体智能的优化方法。社会学家和自然学家在观察与学习鸟群、鱼群等种群觅食行为后,将群体抽象成质量与体积都为零的粒子群,研究表明,为了使群体达到最优的觅食效果,需要群体间各个个体的相互协作,由此便抽象出通过各粒子之间的信息交流来决定种群发展方向的进化方法。在粒子群优化算法中,每个粒子下一步的进化方向是由粒子统筹自身经历过的最佳位置、群体史上最佳的粒子位置和当前自身的运动惯性三者之间的关系来决定的。在粒子群优化算法执行周期临近结束时,粒子群体的更新速度愈发缓慢,粒子在解空间上分布过于集中,无法跳出局部极值,使得算法在迭代过程中易出现过早收敛,收敛精度低等问题。这种情况下的群体,各个粒子之间的差异很小,导致推动群体进化所需的交互信息差异也小,无法进行更大范围和更精细程度上的搜索,这一现象导致在求解高维度多模态问题时的优化效果不佳。针对造成PSO算法后期更新效果不佳的原因,提出如下改进方案:粒子在进化过程中,在参考粒子种群自身最佳位置的同时,还需要考虑整个粒子群体的进化态势。因此,本文对每个粒子的自适应值进行排序,根据排序结果加权计算出“种群质心”,以“种群质心”作为粒子决定下一步进化方向的参考。综上所述,本文将改进的PSO算法、基本PSO算法及ACL-PSO算法代入实例对比,从而验证改进策略的有效性,并将其应用到企业个人所得税纳税筹划中,提出了基于排序加权质心PSO算法的企业职工个人所得税纳税筹划方案。