优化、建模与仿真已经成为当代工业实践与科学研究领域不可或缺的一部分,而优化通常是指在特定的条件下(如最低成本、高性能、可持续性、可回收性、能源效率等)经过计算与对比得到较好的、可行的最优解。如今,设计的需求和限制更加严格,实践应用通常涉及高度复杂的约束、不确定性、有多个相互冲突的目标等。因此寻求一种求解大规模复杂工业优化的智能优化算法已经成为必然,而粒子群优化算法作为基于群体智能的全局搜索算法,具有收敛速度快、易于仿真实现等特点,引起了科学与工程领域的广泛研究。由于粒子群算法的参数选取在优化过程中起着至关重要的作用,提出了一种多样性分布参数的粒子群算法(DDPPSO)。在DDPPSO算法中,初始化时分别产生粒子种群和参数种群；在迭代时由每个粒子的寻优性能决定其参数的权重,进而计算参数群体的加权平均值；根据加权平均值与自适应方差,通过正态分布产生下一代参数个体,实现参数群体的多样性分布,为算法的寻优提供实时最佳的控制参数,同时良好的控制参数又能进化得到优秀的粒子,粒子和控制参数在迭代中实现协进化,从而提高算法的自适应性能。为了充分利用粒子演化信息和提高粒子群优化算法全局收敛性,提出了重心学习与参数反馈调节的粒子群算法。首先,利用粒子演化分布信息,构造群体重心学习粒子,并引入速度更新中,群体重心学习粒子反映了个体在搜索空间中的基于适应值的加权集中位置,提供了区别于当前最优粒子的分布信息。其次,算法具有全局的认知因子、社会因子、重心因子,以及每个粒子有各自的惯性权重；并且个体参数与群体参数均通过粒子演化信息进行自适应的反馈调节,使得算法在全局搜索和局部搜索之间有较好的平衡。在应用于乙醇发酵过程动态优化时,结果较文献值有较大提高。