粒子群优化算法是一种具有深刻智能背景的群体进化算法,应用灵活、易于实现和协同搜索等特点使其成为求解复杂优化问题的有效途径。因此,分析研究粒子群优化算法的进化特性与进化规律,是一个具有理论和应用双重意义的课题,并且对拓宽算法的应用领域有着重要的现实意义。本文以控制方法为基础,从粒子群优化算法的收敛性、结构改进以及应用等方面展开讨论,具体研究内容如下：(1)基本粒子群优化算法(PSO)的简介。文中阐述了粒子群优化算法的基本原理和实现流程,系统的从多方面综述了算法的理论研究与应用研究现状,并简述了粒子群算法的研究中尚待解决的一些问题。(2)基本粒子群算法的收敛性分析。文中以一种典型的粒子运动轨迹收敛性分析方法为基础,分别讨论了Pbest时变,Gbest时不变以及Pbest和Gbest均时变两种情况下单个粒子运动轨迹的收敛性,得到了更具有普遍意义的保证算法收敛的参数约束条件,仿真结论验证了文中得到的参数约束条件的有效性和合理性。(3)模糊PID-PSO算法及其收敛性分析。根据粒子群优化算法的进化方程模型可将算法视为一个双输入单输出的反馈控制系统。以此为基础,本文提出了模糊PID-PSO算法并对算法的收敛性进行了系统的分析。仿真结论表明,模糊PID-PSO算法在寻优精度和效率上均有较好的表现,有效平衡了算法的局部挖掘能力和全局探索能力。在Anderson系统中利用模糊PID-PSO算法对电力系统稳定器(PSS)的参数进行优化,特征值及阻尼系数分析表明,利用模糊PID-PSO算法优化的PSS参数显著的提高了系统的稳定性。(4)基于随机系统鲁棒控制的粒子群优化算法。PSO算法的有限代收敛控制可以视为鲁棒控制问题。本文以基本粒子群算法的进化方程为基础,将算法重新定义成为一种随机离散控制系统模型,通过引入控制变量,利用H2/H∞鲁棒控制方法构建一种新的混合H2/H∞a-PSO算法。同时,又构建了模糊PID-PSO与混合H2/H∞-PSO的混合优化算法。仿真测试结论验证了新定义的算法模型的合理性以及两种算法的有效性。