粒子群优化算法是由埃伯哈特和肯尼迪在1998年发现并推广的当今改进之后的最佳化算法。

经过比较之后，这种算法最大的优点就的它的简单实用性、稳定性、以及避免出现计算结果提前的现象。

在粒子群优化算法中，许多粒子被随机的放在一个N*P的空间里，然后通过算法更新他们的位置来得到最佳的解决方式。

第j个粒子的位置被用来表示为P j =[Pj1,Pj2,......,Pj[N], ] Pj是一个关于问题所合理有效的解决方法。

粒子们围绕这一直以来最优化的位置移动，这样的位置同样也是大批粒子的最优位置。

这样的最优位置实现后被用P best,j=[P best,j1,P best,j2,...,P best,jN]来表示,并且P best中所有的是最佳位置被统一称为G best，它代表着亦今为止被发现的最佳的所有的最佳算法的集合。

每一个粒子的位置和速率是用以下这个公式来进行计算的：
公式略
这种算法运行时在0和1之间随机并且独立的创造两个数字c1、c2。

c1、c2是两个正数，并且具有被一个被称为认知或者规范的范围约束着。

分别的，k是当前重复的次数。

N swarm 是粒子群中的粒子数。

B
在最优化的实验进程中，人们已经采取了很多尝试去努力使惯性质量尽量保持平衡。

在这份实验报告数据中，在实验运行过程中，质量几乎直线型从0.9降低到了0.4.。

总的看来，惯性质量w是根据以下这个公式来进行推算的：
公式略
C
在这次实验中还实现了新的变化，这种变化是一种新的，强有力的方式去让最佳算法多样化并且在提高了粒子群优化算法的计算结果提前问题。

这种改进后的技术，每一个粒子群都围绕着一个半径为τ的圆内随机的运动，这一片地区的当前中心就是这个粒子群的中心，这个新的位置可以用下面的公式求得：
公式略
P newj是当前第j个的粒子群的位置。

Rw是取决于当前位置和τ的一个决定了运动方式的系数。

配合下面的这些方程组合，又得到了新的矢量关系式。

公式略
公式里的θ等于从1到N的正整数，并且是当前重复的次数，并且U1和U2是两个在0和1之间的随机的数字。

τ的值通过这些反复的程序而从τmax到τmin呈直线型的下降。

τ的初值的较大值促使粒子群通过在τ值重复过程中的较小值延长其跨越度而鼓励在小的
源查找上做的更仔细一些。

用改变后的的方法得到的位置是与当前位置所进行比较的。

最终，与更优者相对应的这个位置也将被用来当做此次循环的最佳位置。

四
为了表现该算法在实际应用方面的高效性和可行性，个别例子研究的问题的应用，应该首先表明没有足够的数据为一个较大的系统提供文献或者资料来测试他的效率或者相较而言所提及的方式。

在任何一种情况下，阀点和坡值都是需要被考虑的。

这是调度地平线就好比选择了一天有二十四个间隔，而每个间隔为一小时一样。

域问题是存在几个最优解的非凸问题。

被用来解决域问题的方法应该可以在脱离这些局部最优的前提下还同时可以满足约束条件，就像MAPSO那样。

代码现在已经发展到需要2BG缓存、3GHz主频、奔腾四处理器的MA TLAB7.0上运行了。

A选择适当的粒子群优化算法参数
改变参数对于控制粒子群优化算法的结果具有非常明显的影响。

为了平衡整体和区域的搜索值，找到适合的参数是十分必要的。