智能优化算法是信息科学和计算机等领域的研究热点之一。如何有效地提高该类算法在复杂的环境中的搜索性能是关键问题之一。作为一种群体智能算法,粒子群算法(Particle Swarm Optimization,PSO)参数相对较少,收敛速度较快,是一种比较受欢迎的新兴智能优化算法,它广泛应用于函数优化问题、约束优化问题、车辆调度问题、机器人路径优化问题、交通运输问题、供应链优化问题、电力系统、医疗与通信等多个领域并取得了丰硕的成果。但是,它还存在着容易早熟收敛、迭代后期收敛慢、鲁棒性较差等缺点,尤其在处理复杂的高维优化问题时,容易陷入局部最优。为了进一步提高粒子群算法的搜索性能,在深入分析自适应粒子群算法(Adaptive Particle Swarm Optimization,APSO)和模拟退火算法(Simulated Annealing,SA)的特点的基础上提出了基于混沌映射的自适应退火型粒子群算法。该算法的主要思想是利用粒子种群信息,在局部最优解附近添加混沌扰动算子,使其具有突跳能力,进而提高全局搜索能力,并且对惯性因子和加速因子进行了改进。通过数值实验验证了改进算法的性能,仿真结果表明改进的算法对于不同类型的函数的寻优能力要优于自适应粒子群算法和模拟退火粒子群算法,尤其在存在多个局部极值点并且极值相差不大的这类多峰函数的优化方面表现出了显著效果。最后,为了进一步研究不同混沌映射扰动对PSO算法的性能影响,分别将三种混沌映射,即Logistic、Tent和Cat与粒子群算法结合,通过10个常用的测试函数比较了这三种不同的混沌扰动算子对粒子群算法性能的影响,结果表明在三种不同混沌扰动下,三种粒子群算法各有特点,不同的混沌扰动算子对改进粒子群优化算法的性能有不同的影响。