在现实世界中,存在诸多的最优化问题。可把最优化问题定义为:在满足一定约束条件的前提下,寻找一组解,来使系统的某些性能指标达到要求。随着社会的发展,人们迫切需要一些工具来求解这些优化问题,由此便产生了各种优化算法。基于鸟群觅食行为而提出的粒子群优化算法(PSO)是一种新型的优化技术,因其简单实用,被广泛应用于求解优化问题。PSO算法在寻找优化问题的最优解时,不必知道问题的特征信息,只需对可行解按照一定的策略进行迭代更新即可。PSO算法求解问题时所具有的简单高效的特性,引起了国内外学者的广泛关注。但在研究的过程中,发现PSO算法存在早熟收敛和搜索精度较低等问题。针对PSO算法存在的问题,本文提出了两种改进方案:1)一种方案首先将粒子分为两组,分别用于全局搜索和局部搜索,这点有点类似于多种群算法,但不同的是这两组的粒子数会动态变化。在粒子总数不变的前提下,前期将大多数粒子用于全局搜索,而随着迭代的进行,粒子会慢慢转向局部搜索。该方案为了增强全局搜索能力,将采用全新的策略来更新全局搜索的粒子位置;为了增强局部搜索的能力,将小范围变异策略引入到局部搜索的粒子中去。为了增强种群多样性,这两组粒子之间会进行独特的信息交换。2)另一种方案是受一种常见社会现象的启发而提出的。该方案以“让优秀粒子更优秀,让最差粒子努力寻优”为核心思想,通过对种群中的最优粒子和最差粒子采取定向变异策略来提高算法的性能。通过对比试验验证引入最差粒子变异的重要性。通过测试函数验证这两种改进方案能有效增强粒子的搜索能力,并能缓解解早熟收敛现象。最后,将定向变异粒子群优化算法应用于PID参数调整中,取得了良好的实验效果。