粒子群优化算法(Particle Swarm Optimization，PSO)是一种源于鸟群觅食行为中表现出的群体智能而产生的启发式全局优化算法，由于该算法原理简单，实现方便，调节参数少，收敛速度较快等优点，已经被广泛应用于各种科学研究和工程实际领域中，成为计算智能领域中一个新的研究热点。同时由于算法的理论基础还不完备，同时存在着迭代后期收敛速度变慢和早熟收敛等问题，所以对于算法进行理论探讨和改进研究就成为非常必要的课题。本文从标准粒子群算法的运动轨迹和收敛性的角度进行了分析，为了提高算法收敛速度和整体收敛率，提出了改进方法，同时对粒子群算法在锅炉汽包水位串级三冲量PID控制系统的参数整定中的应用进行了研究。本文的主要研究工作归纳如下：(1)如何加快粒子群优化算法的收敛速度和防止算法陷入局部最优，一直都是关于算法改进最重要的两个重点。本文在分析粒子运动轨迹的稳定性时，发现概率分布的重要性，应用概率分布知识，提出高斯分布替代标准粒子群算法速度公式中的均匀分布。通过对以往关于高斯分布与PSO结合的文献经验，改进并提出一种新的高斯分布粒子群（New Gaussian distribution Particle Swarm Optimization，NGPSO），该算法提出了一种新的随机数产生机制，不仅可以利用高斯分布在（0，1）间取到随机数的多少来使得算法的收敛性能迅速变化，同时可以利用高斯分布小于0的一些值使得粒子群算法拥有从局部最优值跳出的机制。通过对四个标准测试函数的仿真实验，证明了改进算法的有效性。(2)在现代工业中，锅炉作为重要的动力装置在很多领域广泛使用。为了确保锅炉的安全运行，就需要设定一系列的控制指标，锅炉汽包水位是锅炉众多指标中非常重要的一项。通常在工业中一般采用串级三冲量PID控制系统对其实施控制，但是影响汽包水位的变量很多，并且会随着系统环境和控制变量而不断改变，导致传统PID控制的参数整定比较困难。为此，本文将改进的PSO算法应用于PID控制的参数整定当中，利用粒子群算法动态自主寻优的特点，使得控制系统能够根据系统的变化而选择合适的参数，从而达到之前设定的控制要求。通过对锅炉汽包水位控制系统的建模，研究了将粒子群与常规PID控制结合的方法，并进一步完成了将粒子群与锅炉汽包水位系统结合的设计。通过MATLAB仿真验证了该设计的可行性，并对比常规锅炉汽包水位控制系统，取得较好的结果，从而为之后锅炉汽包水位系统的设计提供了一个新的思路。