粒子群优化(PSO)算法是一种新兴的全局优化算法，具有概念简单、容易实现，需调参数较少等特点，目前已引起众多学者的关注，并取得了初步成果。由于其发展历史尚短，理论研究和应用仍处于初级阶段。本文从算法的机理、改进和应用等方面对其进行较系统的研究。
　　 通过分析粒子的轨迹和算法所存在的问题得知，算法在迭代后期容易陷入局部最优，出现早熟收敛现象。本文提出基于随机扰动的PSO算法(RDPSO)，通过对种群最优位置的扰动来增加种群的多样性，扩大种群的搜索空间，从而增强算法的全局探测能力，但其局部搜索能力仍然较弱。并对RDPSO算法进行了收敛性分析，证明其是一种全局收敛的算法。
　　 为了解决采用单一策略很难兼顾好的搜索区域和高质量的全局最优解的难题，本文利用PSO算法结构的开放性，同时融入随机扰动和禁忌搜索算法，提出一种结合禁忌搜索的改进粒子群算法(TSRDPSO)。改进后的算法利用对种群最优位置的扰动来增加种群的多样性，有效避免了PSO算法易陷入局部极小值点的缺陷;而引入的TS算法又使其具备较强的局部开发能力。通过仿真表明改进后算法的优化性能明显优于传统PSO算法。另外，分析了引入的参数对算法性能的影响，并给出了最佳值。
　　 案例推理成功的关键是案例检索，而检索中属性特征权重的优劣直接影响着评估结果的好坏。因此，本文利用TSRDPSO算法高效的优化性能，对属性特征权重进行优化，从而提高案例检索的精度。并将案例推理应用于砷盐净化除铜过程的铜离子预测中，通过实验结果可知，TSRDPSO算法的优化性能更佳，得到的预测结果更逼近实际值，能够满足实际工程中的应用需求。