粒子群优化算法(Particle Swarm Optimization,PSO)由于其编码简单,易于实施而发展迅速,PSO的性能取决于两个重要因素:惯性权重和学习因子。通过合理设计这两个参数,将动态权重的PSO应用于含有不连续"开关"过程的变分资料同化。为检验算法的有效性,针对一个简化的含不连续开关过程的偏微分方程,操作了3种比较同化数值试验,即基于传统伴随方法,遗传算法(GA)和动态权重的PSO的变分同化。结果显示,当控制方程含有开关时,使用PSO的变分同化结果的质量上明显优于其他两种方法,且PSO的性能更加稳定。对观测误差及模式误差的敏感性试验结果显示PSO方法具有更强的鲁棒性。PSO同化的效果与算法中参数的选取有关,采用好的参数设置能获得更好的同化结果。