粒子群优化算法(POS)，是群智能算法其中之一。Eberhart和肯尼迪在社会心理学规律的基础上提出了这个算法。通过对鸟类觅食行为的模拟设计:假设某一地区只有一片食物，鸟群的任务是随机搜寻食物，它们并不知道食物所在的地址。它们只能通过互相发送自己的信息，将自己的位置传递出去，然后判断谁离食物最近，求得出最好的解决方案，再将这个最优解传递给整个鸟群。
由于鸟类有寻找食物的这种情形，粒子群算法的灵感就这样产生了。在改善问题方面，鸟被看作成解决问题的一种方法。当它以一定的速度在太空中飞行时，它可以通过当前的位置计算出适应的程度，当同伴的飞行经验比自己好时，它会通过更新自己的经验来动态调整。将鸟打比方成一个没有体重的粒子。这些粒子不只是在太空中飞行，还是具有学习能力的智能生物。
当粒子群算法被提出的时候，就引起了各界学者的高度重视，在经过不断的改善和变形后，它被应用在许多地方。在早些时候，粒子群算法用于改善功能，后来扩展到了工程领域，它在自动化和通信工程的优化也取得了更显著的效果。
把粒子群算法看做成一个用具，它可以用来更新换代。初始状态时，系统中数据为一组随机解，经过迭代查找其中的最佳值。这种查找采用群体方法，同时查找空间中的多个地方，所以，超级适合大规模并行运算。它效率高，操作便捷。该算法不具备交叉和突然变化的运算。它的好处很多，例如查找的速率快，效率高。虽然在解决离散和组合优化问题时粒子群算法不是很有效，但是它能够联合其它算法，并且取得了更有效的成果。例如，在非线性规划、发电机的辩别、车辆运行的轨迹、约束架构优化、新产品组合投资、广告优化、多目标优化等许多问题上获得很显著的作用。
近年来，由于PSO发展迅速，应用广泛，所以其主要应用于以下领域：
(1)函数优化。粒子群优化算法有求解高维函数改善时存在查找误差大的不足之处。通过改变阈值来控制粒子变化的轨迹，可以确保算法在后期变化中具有很强大的查找能力。
(2)约束优化。粒子群的算法在很多个方面都有应用，所以也会有很多的困难。一般在计算机上找到最优解是非常困难的，以至于几乎找不到准确的最合适的解。这时，可以利用双自适应值比较法对粒子的优缺点进行比较，得到改进的粒子群算法来解决约束优化问题。
(3)工程设计问题。在工程中，会呈现出非线束缚离散变量优化的一些因素，我们可以利用粒子群算法与惩罚函数法相互融合的优点，发挥长处，与此同时，提高离散变量优化问题的效果。
(4)电力系统领域。应用粒子群优化算法，可以解决电力以及自动化系统中存在的问题，例如高维、非线性、多约束等因素。增大全局收敛性能，并且提高收敛精确度，提高电力系统的运行速度，能够使系统的最优运行。
(5)机器人智能控制。在移动机器人中，首要任务是机器人行走轨迹的规划。因为粒子群算法自身存在着许多不足，因此，利用改良的粒子群算法能够可以解决机器人的移动轨迹的规划等，也可以提高搜索路径的效率，规划出一条最好的路径，进而对其进行优化。
(6)交通运输领域。利用粒子群算法对多路径路网建立模型，建立智能交通系统，实时、高效、精确的管理交通运输。通过智能化的服务和管理，能够有效的引导和分配车流量来减少车辆拥堵和交通事故的发生，提高整个交通系统的安全性和能动性。
(7)通信领域。在粒子群算法中，可以引进将免疫信息处理机制，这样不但能够保证粒子群算法的特征和性能，算法的整体完善的能力会改善;在精度的收敛方面会有所提高，路由选择的速度也会加强。还可以粒子群算法应用在二阶极化模散系统两级自适应补偿器的补偿设计中。
(8)计算机领域。二元粒子群优化算法的特性是全局查找能力差、查找到最优解少。采用二元结构编码的二元粒子群优化算法，不仅可以做到离散优化，又能保留PO好的特点。
(9)生物医学领域。在图像分割中，将收缩因子的粒子群优化算法与二维大津算法相互融合。当它和一维算法的平均平方误差以及峰值信噪比相比较，分割后图像的质量以及执行速度将会得到很好的优化。
(10)神经网络。通过PSO确定的神经网络结构，可应用于医学图像的配准和帕金森综合征的研究和治疗。
摘要：粒子群优化算法，简称粒子群算法，是群智能优化算法中新发展起来的一种算法。该算法具有搜索速度快，效率高，算法简单等优点，所以其用途非常广泛，涉及的应用领域众多。基于粒子群算法具有的众多优点，本文主要针对粒子群算法进行简单介绍。
关键词：粒子群算法,应用,最优化
[1] 董颖,唐加福,许宝栋,等.一种求解非线性规划问题的混合粒子群优化算法[J].东北大学学报(自然科学版),2003,24(12):1141-1144.
[2] Winston W,温斯顿,杨振凯,et al.运筹学:应用范例与解法[M].北京:清华大学出版社,2006.
[3] 周柯宇,朱兆全,严兴杰.傅里叶级数求等周闭曲线的面积[J].教育教学论坛,2016(42):194-195.
[4] 朱儒楷.非线性规划[M].北京:中国矿业大学出版社,1990.
[5] 孙学胜,曹玖新,刘波,等.基于多目标粒子群优化的服务选择算法[J].东南大学学报(自然科学版),2009,39(4):684-689.
[6] 孙志胜,曹爱增,梁永涛.基于遗传算法的聚类分析及其应用[J].济南大学学报(自然科学版),2004,18(2):127-129.
[7] 甄文祥,王文田.遗传算法及其应用[J].小型微型计算机系统,1995,23(2):9-10.
