粒子群优化算法(PSO)作为一种具有深刻智能背景的群智能优化算法,具有结构简单、调节参数少、易于实现、应用灵活等特点,是解决复杂优化问题的有效途径。因此,分析研究其算法特性与内部规律,进一步提高其寻优性能具有重要的理论和实际意义。本文以控制思想为基础,从确定性控制、随机控制、过程优化角度,展开粒子群优化算法改进研究,具体研究内容如下：本文首先介绍了粒子群优化算法的基本原理,并系统综述了算法的理论研究现状以及国内外基于控制思想的粒子群算法研究成果。由于PSO算法的有限代收敛过程可以视为一个控制问题,本文提出基于无模型自适应控制的粒子群优化算法。即以基本粒子群优化算法为基础,以当前最优位置为设定值,利用无模型自适应控制实现寻优过程控制。仿真结论表明,无模型自适应控制器的引入使得算法的收敛速度得到明显改善,搜索精度得到一定程度的提高。在确定性系统分析的基础上,考虑算法固有的随机特性,将PSO算法重新定义为离散不确定时滞系统,提出基于时滞相关不确定系统鲁棒控制的PSO算法(DURC-PSO)算法。仿真测试结果表明,DURC-PSO算法在搜索精度上有着较好的表现。同时,在前述工作的基础上,基于控制方法引入的合理性构建了两者的混合算法,仿真测试结论验证了混合算法的有效性。在分析算法寻优过程信息特性的基础上,将过程优化思想引入PSO算法,分析了种群飞行控制的优化设定问题,并据此定义了过程优化设定规则,从而,初步构建了基于过程优化的粒子群优化算法。仿真结果验证了该算法的可行性和有效性。