在群体智能领域中，目前有群体智能特点的算法研究正在被更多的科学家关注，在科学界对智能或者智能控制还没有下明确定义的时候，群体智能当作智能的一种实现方式，基本体现了群体智能算法的多样性。群体智能算法（Swarm Intelligence Algorithm）是模拟自然界生物的群体行为来构造的随机优化算法。

群体智能是科学家们通过对自然界中群居动物例如昆虫等的观察，观察出的动物身上一种宏观的行为特征总结出的理论运用到智能算法中去，便称作群体智能。群体智能有五条基本的原则：（1）群体自己能够进行简单的时间和空间的计算称为邻近原则。（2）群体的行动范围不能太窄称为多样性反应原则。（3）群体可以影响环境中的品质因子是指品质原则。（4）群体不因每次环境变化而改变自己的行为称为稳定性原则（5）适应性原则是指在所需代价不太高的情况下，群体能够在适当的时候改变自身的行为。群体智能的四点特点：由于群体智能控制是分布式的，不存在中心控制。因为它更能够适应当前网络环境下的工作状态，而且具有较强的鲁棒性，就是说不会由于某一个或者几个个体出现故障而影响到群体对整个问题的求解。第二个是，群体中的每个个体都可以改变环境，是个体之间通信的一种方式，被称为“激发工作”（Stigmergy）。由于群体智能能够通过非直接通信的方式进行信息传递和合作，因此随着个体数目的增加，通信开销的增幅减小。因此具有良好的扩充性。第三，因为群体中每个个体的能力或者遵循的行为规则非常简单，所以群体智能的实现比较方便，有着简单性的特点。第四点，群体的自组织性。群体表现出来的复杂的行为是通过简单个体的交互过程突显出来的智能（Emergent Intelligence）。

    粒子群优化(Partical Swarm Optimization PSO)算法是近年来发展起来的一种新的进化算法(Evolu2tionaryAlgorithm-EA).蚁群算法和粒子群算法是如今群体智能算法的主要研究方向。智能蚁群的算法就主要包括蚁群聚类算法，蚁群优化算法和多机器人协作系统。粒子群优化算法和蚁群的优化算法在求解实际问题中被运用的最为广泛。其中，粒子群算法就是群体智能算法中一种非常典型的算法。PSO算法属于进化算法的一种,和遗传算法相似,它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价解的品质.但是它比遗传算法规则更为简单,它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作.它通过追随当前搜索到的最优值来寻找全局最优。

    本文介绍了三种借鉴了其他一些智能算法而形成的混合粒子群算法。除了粒子群算法外，还有遗传算法、模拟退火算法以及神经网络等智能算法，这些算法是目前应用到实际工程问题中比较广泛被接受的智能算法。就是因为每种算法都有其特点，所以广大科学家开发了许多结合各种优秀智能算法优点而形成的混合粒子群算法。

下面介绍了三种混合粒子群算法。第一种是基于自然选择的粒子群算法：科学家将基本粒子群算法和遗传算法中的自然选择原理结合起来，并且引入了学习因子，通过异步变化提高算法精确度以及收敛性的粒子群优化理论。第二种是基于杂交的粒子算法：同样借鉴了遗传算法中的杂交概念，通过设定的杂交概率选取指定数量的粒子群放入杂交池内，杂交池中的粒子随机两两杂交，并且产生相同数量的子代粒子，第三种是基于模拟退火的粒子群算法：是基于杂交的粒子群算法的衍生，对杂交产生的子代粒子个体进行模拟退火，计算结果再作为下一代的个体。这里提到的三种算法都是为了解决基本粒子群算法容易收敛于局部最优而提出的。 基于Matlab的混合PSO算法仿真研究(3):http://www.youerw.com/zidonghua/lunwen_62803.html