对鸟群群体行为的模拟最早来源于Reynolds提出的BOID(Bird-OID)模型[4]，这个模型的提出是受剑了鸟类的群集行为的启发，比如大雁飞行自动排成人字形、鸽子在飞行中几乎同时转弯、蝙蝠在洞穴中快速飞行却互不相碰等，这种复杂的行为很难仅仅用存在领导者的观点来解释，若假设每只鸟飞行中都遵守一定的行为准则，当它们一起飞行交互时，就会表现出上述的智能行为。在BOID模型中，每只人工鸟被称为一个BOID，每个BOID可感知周围一定范围内其他BOID的飞行信息，此信息作为BOID决策机构的输入，结合其当前自身的飞行状态(空间位置，飞行方向矢量，飞行速度)，做出下一步的飞行决策。群体内每一个个体的行为遵循以下3条运动规则：23260
(1)避免碰撞：向背离最近的个体的方向运动；，避免和邻近的个体相碰撞；
(2)速度一致：和邻近个体的平均速度保持一致；
(3)中心群集：飞向群体的中心，向邻近个体的平均位置移动。
由BOlD组成的系统惊人的表现出了集体的群集现象。在这个系统中，系统运行完全依赖于自下而上的力量。系统的构成个体完全按照自身的规律运动，但却使整个系统表现出了整体的秩序特征。
随后在Reynolds的模型基础上，Heppner和Grenander进一步提出了鸟类群聚模拟，加入了鸟群受到栖息地的吸引的特点[15]。也就是说，在模拟的开始，鸟群逐渐形成群体并且以无特定方向在空中飞行，直到有一只鸟飞越了栖息地，并且受到了栖息地的牵引，那么其它的同伴将同时受到邻近伙伴与栖息地的影响，逐渐地降落在栖息地。另外，Boyd与RicherSon在研究人类的决策过程时，提出了个体学习与文化传递的概念。他们认为人们在做决策的过程中会利用到两类重要的信息，一项为自身的经验，另一项是其他人的经验[16]。论文网
PSO算法是在1995年由美国社会心理学家Kenney和电气工程师Eberhart提出的[13]，主要思想来源于对鸟类群体行为的研究，他们的模型和仿真算法主要利用了生物学家Heppner提出的模型。PSO算法解决问题是先初始化一组随机解，通过迭代搜寻最优值。在PSO算法中，每个优化问题的解看作搜索空间的一只鸟，称为‘粒子’。所有的粒子对应着优化问题的适应值，粒子的速度决定其飞行的方向和距离，粒子通过追寻群体中的最优粒子来完成在解空间的搜索。PSO算法自提出以来，由于其计算简单、易于实现、控制参数少等特点，引起了国内外相关领域众多学者的关注和研究。对PSO算法的研究主要体现在三个方面，一是对PSO算法理论的研究，其次是对PSO算法的性能改进研究，再次是将PSO算法应用在各个领域，从目前的研究情况看米，对后两者的研究占了绝大多数。
在对PSO算法的理论研究方面，Ozcan和Clerc采用代数方法分别对几种典型的PSO算法的运行轨迹进行了分析，给出了保证粒子收敛性的参数选择范围：在算法收敛性方面，F van den Bergh引入Solis和Wets关于随机性算法的收敛准则，证明了标准PSO算法不能收敛于全局最优解，甚至于局部最优解，提出保证收敛的PSO算法，并证明能够收敛于局部最优解，而不能保证收敛于全局最优解；Trelea应用动力学系统理论分析了PSO算法，给出了一些控制参数选择的方法，讨论了群体的探索和勘探能力；Emara和Fattah分析了连续时间PSO算法的稳定性。Kadirkamanathan首先将PSO算法中的粒子动力学表达为一个非线性反馈控制系统，然后分析了随机粒子动力学的稳定性；M．Jiang等应用随机过程理论针对标准PSO算法给出了一个正式的随机收敛分析过程，导出了粒子群系统的随机收敛条件以及相应的参数选择方法；潘峰等人分析了PSO算法三种模型的运动特性并给出了PSO算法参数选取以及PSO算法改进的理论基础[17]。 粒子群算法的研究现状:http://www.youerw.com/yanjiu/lunwen_16247.html