1.粒子群優化
粒子群優化算法，又稱粒子群優化算法，是近年來發展起來的壹種新的進化算法。
進化算法.PSO算法是壹種進化算法，類似於遺傳算法。它也是從隨機解出發，通過叠代尋找最優解。它也通過適應度來評估解的質量，但比遺傳算法簡單。它沒有遺傳算法的交叉和變異操作，通過跟隨當前搜索到的最優值來尋找全局最優值。該算法因其易於實現、精度高、收斂速度快等優點而受到學術界的關註，並在解決實際問題中顯示出其優越性。
優化是工業設計中常見的問題，很多問題最後都可以歸結到壹起。為了解決各種優化問題，人們提出了許多優化算法，如爬山法和遺傳算法。優化問題有兩個主要問題:壹個是找到全局最小值，另壹個是具有很高的收斂速度。爬山法精度高，但容易陷入局部極小。遺傳算法屬於進化算法。
(EvolutionaryAlgorithms)，它模仿自然選擇和遺傳的機制來尋找最優解。遺傳算法有三個基本算子:選擇、交叉和變異。但是遺傳算法的編程實現比較復雜，需要先對問題進行編碼，找到最優解後再進行解碼。其他三個算子的實現也有很多參數，比如交叉率和變異率。而且這些參數的選擇嚴重影響解的質量，但目前這些參數的選擇大多依靠經驗。1995，埃伯哈特博士和肯尼迪博士提出了新的算法；粒子群優化算法。該算法因其易於實現、精度高、收斂速度快等優點而受到學術界的關註，並在解決實際問題中顯示出其優越性。
粒子群優化算法是近年來發展起來的壹種新的進化算法。PSO算法是壹種進化算法，類似於遺傳算法，也是從隨機解出發，通過叠代找到最優解。它也通過適應度來評價解的質量，但比遺傳算法的規則簡單，沒有遺傳算法的交叉和變異操作。它通過跟隨當前搜索的最優值來尋找全局最優值。
二、遺傳算法
遺傳算法用於求解計算數學中的優化問題，是壹種進化算法。進化算法最初是從進化生物學中的壹些現象發展而來的，包括遺傳、變異、自然選擇和雜交。遺傳算法通常作為模擬來實現。對於優化問題，壹定數量的候選解(稱為個體)的抽象表示(稱為染色體)的群體進化到更好的解。傳統上，使用記數法(即0和1的字符串)，但也可以使用其他記數法。進化從完全隨機的個體群體開始，然後壹代壹代地發生。在每壹代中，對整個種群的適應度進行評估，從當前種群中隨機選擇若幹個體(基於其適應度)，通過自然選擇和變異產生新的生命種群，在算法的下壹次叠代中成為當前種群。