粒子群优化算法是一种基于群体搜索的智能优化算法，是一种以数学为基础，应用于求解各种组合优化问题的新型技术。近十几年来，粒子群算法受到越来越多学者的关注。由于算法设置参数少，实现简单，能有效解决复杂问题，故在函数优化，图形处理，模式识别以及一些工程领域中得到了广泛的应用，并且同时产生了多种以粒子群优化算法为基础的变体算法。然而粒子群算法在理论和实践上都不够成熟，容易陷入局部极值点，进化后期收敛速度慢，收敛精度差。这些问题一直是近年来该领域内多数专家研究的重点问题。本文提出了一种基于Baldwin效应的粒子群优化算法。该算法运用数论中佳点集的概念构造初始种群，使粒子的分布更加均匀，从而提高了种群的多样性，增加了粒子搜索到全局最优解的概率；在算法运行的不同阶段以余弦函数自适应地调整惯性权重系数的值，使惯性权值的变化更加符合种群搜索的动态特征，提高了搜索效率；利用Baldwin效应使粒子在迭代过程中可以进行信息的反馈，进而粒子可以进行强化学习，向更优的方向搜索，从而改善了搜索结果；通过在不同参数取值下的几组实验结果的对比，确定了强化学习中相应参数的较优取值。采用几个经典测试函数对本文算法进行了验证，并与几个粒子群变体算法的运算结果进行了对比，实验结果显示，新算法不仅具有更高的收敛速度和精度，而且有效地改善了早熟现象。一些复杂的多值函数，多目标函数的求解在工程应用中一直是十分棘手的问题。由于粒子群算法的特殊性质，使其在求解此类问题时十分具有优势。针对此类问题的特征，虽然已经提出了一些应用粒子群算法求解此类问题的数学模型，然而它们还不够成熟，并且有待于继续完善，这也将是作者进一步研究的方向。