Para el problema de inversión de defectos en la tecnología de fuga de flujo magnético, se introduce en este artículo un algoritmo de optimización por enjambre de partículas rápido y de convergencia global basado en el modelo de elementos finitos como un algoritmo iterativo inverso. Se han mejorado dos aspectos del algoritmo tradicional de optimización por enjambre de partículas: el peso de inercia auto-adaptativo y la estrategia de actualización de velocidad. En cuanto al peso de inercia, se puede ajustar de manera adaptativa según la posición de la partícula. La estrategia de actualización de velocidad utiliza principalmente las mejores posiciones de experiencia de otras partículas en una población seleccionada aleatoriamente para realizar el aprendizaje del algoritmo. Al mismo tiempo, el factor de aprendizaje de la variable de posición está diseñado para cambiar con el número de pasos de iteración. Se añade la partícula con una buena posición para salir del mínimo local y acelerar el proceso de optimización. A través del experimento de comparación, el algoritmo de optimización por enjambre de partículas mejorado tiene una velocidad de convergencia más rápida en comparación con otros algoritmos tradicionales de optimización por enjambre de partículas. Es más difícil que caiga en el valor mínimo local y se convierte más fácilmente en una mayor precisión.