自上世纪80年代以来，智能优化算法（如人工神经网络、混沌算法、遗传算法等）通过模拟或揭示某些自然现象和过程而发展起来，为优化理论提供了新的思路和手段，并在科学、经济以及工程领域得到了广泛应用。粒子群优化算法是一种基于种群搜索策略的自适应随机算法。作为智能优化算法中的一种，它可用于求解大部分的优化问题，并在工程实践中表现出巨大潜力，现已广泛应用于神经网络、模糊系统控制、模式识别等多个领域。本文分析了粒子群算法的优缺点，针对粒子群算法搜索速度慢的缺点，提出了下降粒子群算法和精英极值粒子群算法。下降粒子群算法将最速下降算法与粒子群算法的优点结合，通过优化初始粒子，提高粒子群算法的搜索速度；精英极值粒子群算法通过改善较差粒子的个体极值提高算法的搜索速度。针对粒子群算法容易陷入局部最优值的缺点，本文提出了分层管理粒子群算法和禁忌粒子群算法。分层管理粒子群算法仿照现代管理机制，将粒子分为不同的层次分别进行更新和管理，避免了算法的“趋同”现象，可以有效防止算法陷入局部最优值；禁忌粒子群算法将禁忌搜索算法中的禁忌思想与粒子群算法结合，并做了一些调整，在搜索一定次数后，禁忌当前全局极值，一方面保持了粒子群算法的稳定性，另一方面可以有效防止算法陷入局部最优值，改善算法的全局性能。测试实验表明，这四种算法相对于标准粒子群算法，从搜索速度和全局搜索能力方面都有很大提高。本文将禁忌粒子群算法与神经网络结合训练学习因子，逼近正弦函数，并将逼近结果与标准粒子群算法结合BP网络逼近结果进行比较，检验改进算法解决实际问题的能力。仿真实验表明，禁忌粒子群算法与神经网络结合训练学习因子逼近正弦函数的效果非常理想，说明禁忌粒子群算法有良好的全局搜索能力和实际应用能力。