粒子群优化算法（PSO）是一种群体智能方法，每个个体被看作是D维空间中的一个无体积微粒，通过动态调整速度进行搜索。每个微粒Xi有其当前位置(xid)和历史最优位置pbest(Pi)，群体整体的最优位置称为gbest(Pg)。微粒的速度Vi更新采用以下公式：
vid = w * vid + c1 * rand() * (pid - xid) + c2 * Rand() * (pgd - xid) (1a)
其中，w是惯性权重，c1和c2是加速常数，rand()和Rand()是随机变量。速度还受到最大速度Vmax的限制。这种更新机制结合了"认知"（个体的思考，基于行为加强的原理）和"社会"（信息共享与合作，模仿机制）两个心理学假设。
算法流程包括：初始化微粒群（随机位置和速度）；评估微粒适应度；比较微粒的pbest和gbest，更新个体最优；根据方程(1a)调整速度和位置；若未达到结束条件（如达到预设迭代次数Gmax或适应值达到要求），重复上述步骤。
粒子群优化(Particle Swarm Optimization, PSO)，又称微粒群算法，是由J. Kennedy和R. C. Eberhart等于1995年开发的一种演化计算技术,来源于对一个简化社会模型的模拟。其中“群(swarm)”来源于微粒群符合M. M. Millonas在开发应用于人工生命(artificial life)的模型时所提出的群体智能的5个基本原则。“粒子(particle)”是一个折衷的选择,因为既需要将群体中的成员描述为没有质量、没有体积的,同时也需要描述它的速度和加速状态。