PSO比较有潜力的应用包括系统设计、多目标优化、分类、模式识别、调度、信号处理、决策、机器人应用等。其中具体应用实例有：模糊控制器设计、车间作业调度、机器人实时路径规划、自动目标检测、时频分析等。
解决最优化问题的方法 ■传统搜索方法 ■保证能找到最优解 ■ Heuristic Search ■不能保证找到最优解 粒子群算法发展历史简介 由 Kennedy和 Eberhart于1995年提出 群体迭代,粒子在解空间追随最优的粒子进行搜索 简单易行 粒子群算法:了收敛速度快 设置参数少 已成为现代优化方法领域研究的热点 粒子群算法的基本思想 口粒子群算法的思想源于对鸟群捕食行为的研究 口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。 口马良教授在他的著作《蚁群优化算法》一书的前言中写到: “自然界的蚁群、鸟群、鱼群、 羊群、牛群、蜂群等,其实时时刻刻都在给予 我们以某种启示,只不过我们常常忽略了 大自然对我们的最大恩赐! 粒子群算法的基本思想 设想这样一个场景:一群鸟在随机搜索食物 在这块区域里只有一块食物; 已知所有的鸟都不知道食物在哪里; 但它们能感受到当前的位置离食物还有多远 那么:找到食物的最优策略是什么呢? 搜寻目前离食物最近的乌的周围区域 根据自己飞行的经验判断食物的所在 PSO正是从这种模型中得到了启发 PSO的基础:信息的社会共享 ■生物学家对鸟(鱼)群捕食的行为研究 社会行为(Soca- Only Model) 个体认知( Cognition- Only mode 粒子群特性 ○ 算法介绍 口每个寻优的问题解都被想像成一只鸟,称为“粒 子”。所有粒子都在一个D维空间进行搜索。 口所有的粒子都由一个 fitness function确定适应值 以判断目前的位置好坏 口每一个粒子必须赋予记忆功能,能记住所搜寻到 的最佳位置。 口每一个粒子还有一个速度以决定飞行的距离和方 向。这个速度根据它本身的飞行经验以及同伴的 飞行经验进行动态调整。