随着科学研究的不断发展，科学家们更好地提高PSO算法的收敛性与获得更加优化的解，研究员Shi等人提出了一种新的PSO算法[2]，惯性权重是它的新的理论基础，它本质就是改进更新了了新的速度值，公式如下所示：36237

vid=w*vid +c1*rand( )*(Pid-xid)+c2*Rand( )*(Pgd-xid)

式子中的w代表惯性权重，它保留了粒子本身的速度，而且在获得最优值的精确度方面也有了很大的提高。在之后的研究中，研究员们以带有惯性权的PSO算法作为基础。他们讨论如何精确合理地设置惯性权重，并且使得惯性权重有了可变性[3]。Chatterjee等人为了提升收敛速度，提出了一种惯性权成非线性变化的PSO算法[4]。同时为了保证PSO算法的收敛性，Clerc通过压缩学习因子得以实现[5]。借鉴遗传算法中的杂交概念，在每次迭代中，根据杂交概率选取指定数量的粒子放入杂交池内，池中的粒子随机两两杂交，产生同样数目的子代粒子（child），并且用子代粒子替换亲代粒子（parent）。子代位置由父代位置进行算数交叉得到遗传学的PSO算法。论文网
    Angeline改进的PSO算法通过选择机制，这种算法很好地解决了对于复杂问题的精确求解。Arumugam等人改进的PSO算法通过改变算法的变异机制，从而达到提高算法的收敛性能的目的。研究员们尝试研究基于邻域结构计算局部极值来提高算法的收敛性。粒子群算法的邻域拓扑结构是由Kennedy首先提出的，通过测试函数，得出了邻域拓扑结构对于算法的收敛性也有着一定影响。更有一种用于工业的模拟退火算法，模拟退火算法在搜索过程中具有概率突跳的能力，能够有效地避免搜索过程陷入局部极小解。模拟退火算法在退火过程中不但接受好的解，而且一一定概率接受差的解，而且这种概率收到温度参数的控制，它的大小随着温度的升高而升高。
除此之外，随着种群中“被动征集的概念”被引入，粒子群优化算法中信息共享的功能被更好地完善了。通过改进算法与普通算法在许多测试函数的实验，结果显示改进后的算法的搜索性能比普通的PSO算法有了很大的改进，随着更进一步的研究，科学家们结合生物群体的基本功能与特征，提出了一种更新的算法：自适应逃逸PSO算法[6]。通过仿真，我们得出了自适应逃逸PSO算法在手里速度方面有了很大的提高，在搜索性性能方面也比一般的PSO算法更加完善。
协作PSO算法[7](Cooperative particle swarm optimizer)也是一种改进的PSO算法，它是由Bergh等研究员提出的，它的本质是多种群策略。较之一般的PSO算法，它有着丰富的种群多样性，所以它获得的最优解也更加精确。
基于“群核”进化的PSO算法[8]，广义粒子群优化模型[9]和广义粒子群优化算法[10]等等也是基于PSO算法的改进，从而更好地作用在各个领域之中。
身处信息和网络时代的我们是幸运的，丰富的电子资源能让我们受益匪浅。如果21世纪是一个信息化全面覆盖的时代，我们随时随地都能通过互联网了解各种丰富的资源。对于PSO源程序的下载地址更是多到数不胜数。除了一些有专利或者应用于机密行业的程序，许多基础的，一般的PSO程序都能在网上见到。
发展趋势
从1995年提出PSO算法以来，它经过了许多改进与优化，一开始的应用领域是非线性函数最优值的求解，随着不断地发展与衍变，它如今可以作用在各种各样的领域之中，它都能起到关键性的作用。PSO算法的易接受性使它不断被开发在全新的领域中。当然，PSO算法也有其局限性，在解决相对复杂的优化问题时的时候，它可能会存在早熟性收敛现象，如何改进和勘探也成了下一步我们需要解决的问题。而且作为一种仿生进化算法，PSO算法根据模拟鸟类进食的问题所衍生的，从而使得它有相对薄弱的理论基础，我们对于改进各个版本的PSO算法的收敛性也还需要更多的关注。可见，PSO算法还需要更多的研究与勘察，一下几点是未来对PSO算法的几项规划与展望： PSO算法研究现状和发展趋势:http://www.youerw.com/yanjiu/lunwen_34589.html