粒子群优化算法是一种基于群智能的全局随机搜索算法，在信息技术、工业工程、管理工程等诸多领域已得到广泛应用，但对于粒子群优化的算法理论分析、与机器学习和其他优化策略的结合，以及在组合优化、生物信息、图像处理等诸多领域的研究与应用依然有待深入探索。例如针对不同组合优化问题解空间的特性，如何设计粒子的速度和位置迭代？面对高维多峰函数优化如何避免算法陷入局部最优？如何在算法运行后期保持群体的多样性？面对不同复杂优化问题，如何进行自适应调整？引入各种改进策略之后，如何分析算法的收敛性和寻优效率？等等。本书在介绍了粒子群优化算法基本原理的基础上，针对标准粒子群优化算法存在的缺点，阐述了粒子群算法的自适应优化策略，给出其具体改进方法或提出新的计算模型，使之更为有效，重点研究了粒子群优化算法在组合优化问题中的应用。 本书适合运筹与管理、人工智能、计算数学、计算机科学、系统科学、自动化等相关学科专业高年级本科生、研究生参阅，亦可供从事计算智能研究与应用的科研人员和工程技术人员参考。

沈显君，博士，华中师范大学计算机学院副教授，硕士生导师。2000年毕业于华中师范大学计算机科学系，获计算机应用技术工学硕士学位，同年毕业留校任教。2004年~2007年在武汉大学软件工程国家重点实验室攻读博士学位，获计算机软件与理论工学博士学位。2012年-2013年在美国Drexel University进行访问研究。参与或主持国家、省部级科研课题多项。在国内外学术期刊和国际学术会议发表论文30多篇，其中被EI/SCI检索近20篇。�

近年来，通过模拟自然界中生物群体间个体的协作与竞争，产生了诸多群智能优化方法，如蚁群算法、粒子群优化算法、布谷鸟搜索算法、萤火虫算法、人工蜂群算法、鱼群算法、细菌觅食算法、蝙蝠算法、猫群算法、头脑风暴算法等。粒子群优化算法（Particle Swarm Optimization, PSO）是其中的一个典型代表，它通过粒子间的相互作用来发现复杂搜索空间中的最优区域，主要特点是简单、收敛速度较快，且所需领域知识少。由于粒子群算法在科学、经济、管理以及工程等诸多领域的成功应用，引起了众多研究者的关注，成为自然计算领域研究的热点之一。 自1995年以来，国内外对PSO算法的研究与应用主要集中于数值优化问题，并取得了显著的进展。对于组合优化问题，由于解空间的离散特征，粒子的编码表示及其速度难以描述，以组合优化为应用背景的PSO算法研究相对较少，因此本书主要以粒子群优化算法在组合优化问题中的应用为研究重点。 PSO算法搜索的基本原理是，根据粒子历史最优位置和群体全局最优位置来决定粒子下一步的飞行轨迹和寻优方向，体现了全局搜索和局部寻优的有机结合，但是与其他自然计算方法一样，PSO也难以避免地陷入了局部最优的困境，一旦发现局部最优解，则很容易受局部最优点的强烈吸引，出现聚集现象，导致粒子群多样性的迅速丧失，出现早熟收敛现象。本书在对PSO算法的仿生机理、具体算子和算法特性进行阐述的基础上，将粒子群优化看作一个动态系统的演变过程，对PSO算法收敛行为进行分析，以平衡算法全局搜索能力和局部探索能力为主要线索，以保持粒子群在搜索过程中的多样性，提高全局最优解的搜索效率，避免粒子群陷入早熟收敛为...