粒子群算法就是因为这个方法的方便，具体应用起来的非常的简单。而且它还没有梯度信息。这个算法的参数也比较少等特点。对于解决优化问题有着非常好的作用。特别是连续和离散优化问题。也正是因为这种算法有自带的编码特点，对于处理实际优化问题有着很好的效果。粒子群算法的提出，让更多的人们开始了解和熟悉这种算法。算法的优点让其在学术界也得到了重视。并且一度成为研究热门。对于算法研究的理论性方面，有一些专家和学者对算法的收敛性进行了探讨和改进，更多的专家和教授则是把研究重点放在了算法性能的改进方面。对于算法结构的改进也下了很大的功夫，包括一些参数的分析，拓扑结构，粒子多样性的保持，算法融合还有性能比较等等。在数据分类、数据聚类、模式的识别、电信管理、生物系统建模、流程的规划、信号的处理分类、机器人控制等各个方面都体现出了粒子群算法的优点，证明了粒子群算法的良好的应用前景。国内目前也有越来越多的学者去关注粒子群算法的应用，并且将其用于非线性规划，同步发电机的识别辨识等方面，可以说粒子群算法已经成为一个全球化、实用性强的算法首选。83815

粒子群算法提出的根本依据就是对于我们所处的社会模型的一个简易的模拟。自然界中大部分的生命体都存在一定的群体行为，研究自然界生命体行为是人工生命的主要探索方面之一，这样就可以在电脑上进行模型的模拟了。通常的群体行为可以分为几个比较简单的规则进行建模，比如蚁群和燕群等等。经过很多的实验可以发现，这些群体中对于单个个体的行动规则是非常简单的。可是这些有着简单行为规则的个体构成的群体行为就会累积。从而变得更加复杂。论文网

有许多专家对于群体行为做出了重点研究[2]，并且在计算机上进行了仿真和模拟。Reynolds和Heppner这两位动物学家在1987和1990年就发表了对群体行动的研究。他们主要是研究了鸟群的活动规律，并写出论文。他们发现，有众多鸟组成的鸟群它们的活动规律更明显。它们组成的群体在飞翔的过程中可以改变飞翔的方向，并且能够分散飞行和重新回到群体聚集飞行等。那么一定有某种因素去决定这种有规律的行为。开始的时候这两位学者把研究的核心归结于单个鸟个体与彼此之间的位置问题。也就是鸟群中的鸟个体彼此之间保持的最优距离。

1975年，社会生物学家Wilson E O根据对鱼群的观察与研究，在论文中提出了”至少在理论上。群体内的单个个体是受其他个体影响的。换句话说就是个体会采纳其他个体在行动中的经验。这种受益是非常明显的，它超过了单个个体之间因为竞争而带来的不必要的损耗。生命体必要的资源在随机的时刻与位置出现”。这也就能说明了，具有相同生命特征的个体在行动中会受到其他个体的影响。并且这种影响往往是好的方面来帮助个体成长，这就是PSO的基础[4]。

人类的个体行为模拟就不同于动物们的行为了。因为人类有着非常重要的思维空间，人往往是根据自己的想法去行动的，也就是一种抽象性的表示。

因为存在的这种差异，导致了其在计算机仿真上的差异。这其中最主要的原因就是：碰撞。

单个个体即使即使相差不大，也会具有相同的想法和行动。但是两个动物绝对不可能不碰撞而在相同的空间中占据相同的位置。因为动物只能在其特定的物理空间运动，而人类可在多维心理空间运动，我们叫做自由碰撞。

Kennedy和Eberhart对Hepper[6]的模拟鸟群模型进行了修正。使单个个体能够在空间飞行，并在最佳位置处降落。从而得到了粒子群优化算法。