自从粒子群优化算法(简称PSO算法)提出以来，由于其原理和运行过程简单易操作得到大众的广泛学习和应用，其主要应用领域包括医学、物流选址、路径优化、图像处理、信号处理等。但是随着问题的不断复杂化，原始的粒子群优化算法不能很好地解决现代出现的复杂多样的问题。于是，出现了大量的改进的算法来解决这些问题，包括参数改进、拓扑结构的改进和混合算法改进等。　　本论文以粒子群优化算法为研究对象，采用参数改进和混合算法来提高算法的性能，主要包括：　　首先，针对标准的PSO算法的收敛速度慢、精度低，易陷入局部极值点等问题，提出两种参数改进算法.第一、惯性权重的改进，对惯性权重进行动态改进。第二、学习因子的改进，对社会学习因子和自我学习因子进行非线性改进。　　其次，将改进学习因子的PSO算法与人工鱼群算法结合，得到一个新的混合算法。将标准粒子群算法、改进的PSO算法和混合算法应用在经典函数优化问题中。采用Matlab编写代码进行数值实验对比，实验表明改进的PSO算法和混合算法取了较好的结果。