一、基本思想
正如简介所描述的那样，粒子群算法是模拟群体智能所建立起来的一种优化算法，像后面我向大家介绍的蚁群算法也属于这类算法，粒子群算法可以用鸟类在一个空间内随机觅食为例，所有的鸟都不知道食物具体在哪里，但是他们知道大概距离多远，最简单有效的方法就是搜寻目前离食物最近的鸟的周围区域。
所以，粒子群算法就是把鸟看成一个个粒子，并且他们拥有位置和速度这两个属性，然后根据自身已经找到的离食物最近的解和参考整个共享于整个集群中找到的最近的解去改变自己的飞行方向，最后我们会发现，整个集群大致向同一个地方聚集。而这个地方是离食物最近的区域，条件好的话就会找到食物。这就是粒子群算法，很好理解。
二、自适应
论文说的自适应一般就是惯性权重递减，c1和c2也递减等等，验证条件是收敛速快，精度高，其实我认为这么做不对，这根本就不能叫自适应.......我理解的是自适应要自定确定一些值，然后验证鲁棒性，然后精度、速度等。
三、结束语
粒子群算法，相对于我上次提到的遗传算法而言编码要简单很多，同样属于进化算法，但是粒子群算法并没有像遗传算法那样有选择交叉变异这样的过程，而更多的是体现在追踪单个粒子和共享集体最优信息来实现向最优空间搜索的形式，但是正由于它不同于遗传算法那样去忽略个体的一些内在联系，所以往往会陷入局部最优，所以，在粒子群算法中加入像遗传算法中的变异或者模拟退火等，可以跳过这个局部最优解。
而惯性权值对于函数收敛速度和是否收敛有很大的决定作用，两个学习参数c1,c2的制定也同等重要，但是即使这样，它也没有遗传算法中会有多个参数去维护，所以整个算法就那一个公式就行了，相当的清晰。在遗传算法中的信息的共享是染色体互相之间通过交叉共享，所以在搜索移动过程显得平均缓慢，而粒子群算法是根据gbest来决定整个集群的单向移动，所以相对遗传算法，它更快的收敛。
这不由得让我想到了熵这个概念，在诸如我们社会甚至宇宙这样复杂的系统，我们都处于一个无序的状态，属于熵增状态，像粒子群，遗传算法，对群体的研究，体现的智能不就是在这个无序的系统提供有序的能量，然后它就逐渐有序了。
http://blog.csdn.net/breezedust/article/details/12378519