微粒群优化（Particle Swarm Optimization,PSO）算法是由Kennedy和Eberhart于1995年提出的一类随机群集智能优化算法。同遗传算法相比,PSO算法不依靠遗传算子来操作个体,通过粒子自身的“个体极值”和群体中的“全局极值”来交互信息,具有操作简单、易于实现和收敛速度较快等特点,现已广泛应用于函数优化、神经网络、模式识别等多个领域。本文首先详细介绍了基本PSO算法的产生背景、研究现状和应用领域,指出了PSO算法的研究方向和热点,并阐述了PSO算法的基本思想、环节和主要特点。其次,由于PSO算法的性能在很大程度上依赖于控制参数的取值,本文着重分析了参数元组{w , c₁ , c₂ }对算法收敛性的影响,并对参数元组各系数的选择也做了比较具体的分析。再次,考虑到PSO算法在解空间寻优的过程本身就是一个非线性运动过程,为了平衡算法的全局探索和局部改良能力,本文提出了一种非线性动态自适应调节参数元组{w , c₁ , c₂ }的方法,使参数元组各系数随微粒目标值的变化而自动改变。另外,舍弃了速度项的简化微粒群算法（SPSO）在保证收敛速度和精度的同时可以使算法更加简练。本文叙述的自适应简化微粒群优化（ASPSO）算法就是基于以上两点而提出的。最后,本文将ASPSO算法引入到偏振模色散（PMD）自适应补偿系统中,用以实现对PMD效应所造成的光纤传输系统性能损伤的动态有效补偿。该补偿系统具有灵敏度高,响应时间短、误差小等优点,在光纤通信系统的传输特性改善方面具有实际应用价值。