به منظور شناسایی و تخمین پارامتر مدل سیستم های غیرخطی روش های متنوعی وجود دارد که عمدتا همراه با تئوری و محاسبات پیچیده می باشند. اخیرا استفاده از روش های بهینه سازی تکاملی مبتنی بر جمعیت در شناسایی سیستم های غیرخطی موردتوجه قرار گرفته است. در این میان می توان روش بهینه سازی دسته ذرات (یا به اختصار pso) را نام برد. بهینه سازی دسته ذرات، برخلاف روش های تخمین پارامتر تکراری، نیازمند تعیین مقادیر اولیه پارامترهای مجهول مدل برای شروع الگوریتم نبوده و نیز بر خلاف روش های تخمین پارامتر مبتنی برگرادیان در نواحی بهینه محلی متوقف نمی شود. همچنین در سال های اخیر، این روش به دلیل بهره گیری از قواعد ساده و نرخ همگرایی بالا در رسیدن به جوابی در نزدیکی جواب بهینه، تا حد بسیار زیادی مورد توجه محققین قرار گرفته و در زمینه های مختلفی توانسته است نتایج قابل قبولی از خود نشان دهد. برای ارزیابی کارایی این الگوریتم به منظور تخمین پارامترهای مدل برای سیستم های غیرخطی استاتیکی، دو نمونه کابردی جدید در دو زمینه تفسیر داده های گرانی در مسائل اکتشافی به منظور تخمین عمق و شکل بی هنجاری های زیرسطحی و همچنین تخمین وضعیت نسبی ربات های همکار در ماموریت های گروهی ربات ها آورده شده است. تعیین عمق و ضریب شکل بی هنجاری های زیرسطحی یکی از مهمترین اهداف در ژئوفیزیک اکتشافی است. در این میان بی هنجاری های میدان گرانی از اهمیت ویژه ای در اکتشافات نفت و اکتشافات معدنی برخوردار هستند. بنابراین یافتن روشی بهینه برای تعیین عمق و ضریب شکل بی هنجاری از روی داده های گرانی، از مسائل مهم در ژئوفیزیک اکتشافی محسوب می گردد. در کاربرد دومی ما به دنبال تعیین وضعیت نسبی ربات های همکار در سیستم های چند رباته از روی جا به جایی های تخمینی هر ربات و همچنین اندازه گیری های فاصله ای ربات- به- ربات می باشیم. حل مسئله تعیین وضعیت نسبی ربات های همکار در سیستم های چندرباته می تواند به عنوان زیربنایی برای حل مسائل مکان یابی مشارکتی ربات ها و همچنین ایجاد هماهنگی کارامد بین رفتار های یک گروه از ربات ها برای انجام ماموریت های مختلف مطرح شود. به منظور اعمال روش pso در موارد نامبرده، مسئله تخمین پارامترهای مجهول به یک مسئله بهینه سازی چندبعدی تبدیل می شود و متناسب با اطلاعات تجربی در دسترس درباره مسئله، کران بالا و پایین، برای پارامترهای مجهول مدل غیرخطی استاتیکی در نظر گرفته می شود، سپس با توزیع تصادفی ذرات psoبه عنوان جواب های احتمالی در فضای n-بعدی کراندار (n تعداد پارامترهای مجهول)، در صدد یافتن پارامترهای بهینه مدل با دقت بالا می باشیم. در پایان برای بررسی دقیق تر موضوع، عملکرد الگوریتم پیشنهادی در قیاس با روش مرسوم حداقل مربعات غیرخطی محک زده شده است. نتایج این مقایسه نشان داد که تکنیک هوشمند pso روشی کارا جهت تخمین پارامترهای مجهول مدل های غیرخطی بوده و نسبت به سطوح بالای نویز دارای حساسیت کمتری می باشد که نشانگر ضریب اطمینان بالای این روش می باشد