人们从生命现象中得到启示，发明了许多智能的优化方法来解决复杂优化问题，例如遗传算法、人工免疫系统、人工神经网络、蚁群优化，粒子群优化算法，群落选址算法等。这类借鉴模拟了生命系统的行为、功能和特性的科学计算方法可以称之为人工生命计算(Artificial Life Computation)。 粒子群优化(PSO)算法是其中较新的一种人工生命计算方法。它同遗传算法类似，是一种基于迭代的优化工具。系统初始化为一组随机解，通过迭代搜索最优值。粒子群优化算法简单、容易实现，没有很多参数需要调节。目前粒子群算法越来越引起人们的关注，已成为国际上一个新的研究热点。粒子群优化算法的研究还处于初级阶段，还有很多领域需要研究。本文从算法机理、算法改进和算法应用等方面对其进行了系统性的研究，具体内容如下： (1)对粒子群优化算法及其理论基础(即人工生命和人工生命计算)进行了详细地综述。首先概述了人工生命的产生和发展，着重介绍了人工生命研究的基本思想、研究领域，应用发展情况，特别是在智能优化计算与仿真领域的重要应用；然后阐述了人工生命计算的产生、定义以及研究内容，并介绍了几种典型的人工生命计算方法，包括遗传算法、人工神经网络、蚁群优化、捕食搜索策略、人工生命算法、群落选址算法等；最后介绍了粒子群优化算法，阐述了粒子群优化算法的起源，介绍了粒子群优化算法的初始版本和标准版本，从理论研究和应用研究的角度综述了粒子群优化研究的现状，总结了标准粒子群优化算法存在的问题。 (2)在PSO算法中，惯性权重的选择是个重要的问题，适当的选择将大大提升优化效果。本章在对惯性权重进行理论分析的基础上，从问题依赖性、种群规模和拓扑结构等多方面对其进行了大量的实验分析。实验结果表明，时