20世纪以来，群智能优化算法作为一种新兴的优化算法，受到优化领域众多研究者的广泛关注。算法通过模拟社会性动物的各种群体行为，利用群体中个体之间的信息交互和合作来实现寻优的目的。与其他类型的优化方法相比，具有实现较为简单，效率较高的的优点。粒子群优化算法属于群智能算法领域中的一个新的分支，源于对鸟类捕食行为的模拟，是一种基于群体搜索的随机优化算法。它的主要特点是简洁、易于实现且效率高、可调参数少等，没有遗传算法中的交叉和变异过程。在工程实际中表现出巨大的潜力，现已广泛应用于函数优化、神经网络训练、模糊系统控制、工业系统优化等领域。　　 与遗传算法一样，粒子群优化算法也存在自己的缺陷，主要包括早期收敛，收敛速度慢等。为了提高算法的效率，不少研究者对算法进行了深入的研究，提出了各种不同的改进策略，归纳起来主要集中在以下几个方面：参数设置的研究、拓扑结构的研究、与其他技术融合。各种改进策略在不同程度上获得一定的效果，但是，粒子群优化算法依然面临早期收敛和收敛效率不高的问题。　　 本文对粒子群优化算法的基本原理、参数的选取进行较为详细的论述，重点分析了群体多样性以及基于群体多样性的改进算法，由于目前基于多样性改进的算法没有合理的利用群体信息，取得的效果并不理想。在基于多样性改进的算法基础上，本文通过结合有效的信息共享方式，提出一种动态对象选择的粒子群优化算法。该算法首先对群体多样性的度量方式进行改进，然后利用多样性来监督粒子的学习对象。最后通过对常用的基准函数进行仿真实验，结果表明了改进的算法能获得更好的全局寻优能力且有效的缓解早期群体多样性快速下降的状况，使早期收敛得到较好的控制。