粒子群算法（Particle Swarm Optimization），又称鸟群觅食算法，是由数学家J. Kennedy和R. C. Eberhart等开发出的一种新的进化算法。它是从随机解开始触发，通过迭代寻找出其中的最优解。
创新互联是一家专注网站建设、网络营销策划、微信小程序开发、电子商务建设、网络推广、移动互联开发、研究、服务为一体的技术型公司。公司成立十多年以来，已经为上千家玻璃贴膜各业的企业公司提供互联网服务。现在，服务的上千家客户与我们一路同行，见证我们的成长；未来，我们一起分享成功的喜悦。
粒子群优化（Particle Swarm Optimization，PSO)算法是1995年由美国学者Kennedy等人提出的，该算法是模拟鸟类觅食等群体智能行为的智能优化算法。在自然界中，鸟群在觅食的时候，一般存在个体和群体协同的行为。
粒子群算法也称粒子群优化算法（Particle Swarm Optimization， PSO），属于群体智能优化算法，是近年来发展起来的一种新的进化算法（Evolutionary Algorithm， EA）。
粒子群算法 引言 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，有Eberhart博士和kennedy博士发明。源于对鸟群捕食的行为研究 PSO同遗传算法类似，是一种基于叠代的优化工具。
传统的多目标优化方法是将多目标问题通过加权求和转化为单目标问题来处理的，而粒子算法主要是解决一些多目标优化问题的(例如机械零件的多目标设计优化)，其优点是容易实现，精度高，收敛速度快。
粒子群算法流程图如下：以Ras函数（Rastrigins Function）为目标函数，求其在x1，x2∈[-5，5]上的最小值。
粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术(evolutionary computation)，源于对鸟群捕食的行为研究。 粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。
粒子群算法 的思想源于对鸟/鱼群捕食行为的研究，模拟鸟集群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是一种基于Swarm Intelligence的优化方法。
粒子群算法，也称粒子群优化算法（Partical Swarm Optimization），缩写为 PSO， 是近年来发展起来的一种新的进化算法(（Evolu2tionary Algorithm - EA）。
粒子群优化算法又翻译为粒子群算法、微粒群算法、或微粒群优化算法。
(已合并本篇内容至粒子群算法（1）)上一节中，我们看到小鸟们聚集到一个较小的范围内后，不会再继续集中。这是怎么回事呢？猜测：与最大速度限制有关，权重w只是方便动态修改maxV。
1、自带GUI界面，共有9中算法，可解决各种TSP问题，效果不错。
2、路径的选择目标是要求得的路径路程为所有路径之中的最小值。 TSP问题是一个组合优化问题 ， 是一个NPC问题，分为两类： 一类是对称TSP问题（Symmetric TSP），另一类是非对称问题（Asymmetric TSP）。
3、人工蜂群算法(Artificial Bee Colony， ABC)是由Karaboga于2005年提出的一种新颖的基于群智能的全局优化算法，其直观背景来源于蜂群的采蜜行为，蜜蜂根据各自的分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到问题的最优解。
4、遗传算法GA 遗传算法：旅行商问题(traveling saleman problem，简称tsp)：已知n个城市之间的相互距离，现有一个推销员必须遍访这n个城市，并且每个城市只能访问一次，最后又必须返回出发城市。
5、这时一个多目标组合优化问题，NP完全问题，没有那么简单，属于世界性的难题。可以使用遗传算法、粒子群算法等模拟演化算法求解得到一个近优解，没有算法能保证得到一个最优解。