近几年来,为了满足人们对通信容量的需求,光纤通信的传输速率正在不断提升。在低速光纤通信中不明显的偏振模色散(PMD)已经成为制约高速光纤通信质量的重要因素,需要对偏振模色散进行补偿,其中补偿控制算法是偏振模色散自适应补偿的关键。在众多的PMD补偿算法中,粒子群优化(PSO)算法虽然表现出色,但是对于抗噪声方面还不能尽如人意。所以PSO算法还是有待改进。粒子群优化算法是一种直接搜索算法,被广泛的应用于各类优化问题当中。在实验室所搭建的PMD自适应补偿系统的控制模块中一直都使用粒子群优化算法对偏振模色散进行补偿,但随着试验要求的提高,粒子群优化算法收敛慢和容易陷入局部极值的缺陷越来越明显,此时,改进的优化算法成为了研究点。本论文主要研究了全面学习粒子群优化算法(CLPSO)和基于历史的自适应全面学习粒子群优化算法(AH-CLPSO)在PMD自适应补偿系统中的应用,编写这两种改进优化算法的代码,并对其进行测试,看看是否适用于PMD补偿的反馈控制,最后选出性能较好的算法运用于PMD自适应补偿系统控制模块中。这两种优化算法将原始的PSO算法速度迭代公式加以改进,使得算法更易收敛而且不易陷入局部极值。本论文的工作总结如下:(?)编写了CLPSO的代码,测试了它的性能。测试表明:这种算法收敛速度很快,而且不会陷入局部极值。只是运行速度较PSO要慢。(?)编写了AH-CLPSO的代码,测试了它的性能。测试表明:这种算法收敛速度较CLPSO要慢,同样也不会陷入局部极值。由于结构复杂,运行速度比CLPSO慢。(?)将两种算法用于搜索实验所得的偏振度(DOP)“地图”,进行试验,试验结论表明:CLPSO表现较好,他的搜索速度较快,不会陷入局部极值,更易搜到最优值,而且程序运行速度比AH-CLPSO要快一些。