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目的，提出自适应粒子群优化算法模型，将其与不同的自适应优化策略有机结合，然后对它们的基本思想、实现模式及具体应用等方面进行研究。

全书共7章内容： 第1章在分析全局优化的特点与难点的基础上，对当前典型的群智能优化算法进行介绍； 第2章首先阐述了基本粒子群优化算法的思想，然后分析了粒子群算法的优化模型和算法行为，在此基础上对自适应粒子群优化算法的思想进行了深入分析； 第3章针对PSO算法求解组合优化问题时，速度迭代公式难以定义的问题，在提出等值变换、异值变换和变换序列等概念的基础上，通过重新定义粒子的速度和位置迭代公式，设计随机自适应粒子群优化模型并用以求解01背包问题。第4章针对TSP问题解空间的具体特性，引入交换子和交换序列来描述粒子位置和速度的变化，同时融入2opt启发式局部搜索策略，构成求解TSP问题的自适应启发式粒子群优化算法； 第5章在保留PSO算法基本思想的前提下，将PSO算法与演化算法相融合，利用交叉操作来描述粒子当前位置的变化，通过变异操作保持种群的多样性，构建广义粒子群优化算法，同时采用简化后的模拟退火算法作为自适应策略，用以求解经典组合优化问题——单规格一维下料问题和多规格一维下料问题； 第6章通过对粒子增加额外的扰动，引入负熵构建耗散粒子群系统，提高粒子在运行过程中的多样性，同时采用种群多样性量度方法监测运行过程中群体的多样性和搜索状态，当发现该耗散系统已经处于近平衡态而且出现明显聚集现象时，采用自适应柯西变异操作，使得粒子群重新远离近平衡态； 第7章在热力学中熵、熵增原理和自由能极小化原理的启发下，提出自适应动态演化的粒子群优化算法，通过自适应动态粒子选择策略，使得每一个粒子自始至终都有机会参与群体的演化迭代，以此来产生下一代粒子群，避免了PSO算法中由于粒子多样性的迅速丧失而导致的早熟收敛，在此基础上，利用混沌搜索的遍历性对当前局部最优粒子和群体全局最优粒子进行局部精细搜索，保持算法探测能力与开发能力的平衡。

目前，对于各种群智能算法的研究与应用依然方兴未艾，希望本书可以抛砖引玉，为希望深入了解粒子群优化算法和其他群智能优化算法的人提供一些有益的借鉴和帮助。但由于作者水平有限，对算法的收敛性等尚缺乏深入的分析，书中错、谬、浅、漏在所难免，敬请诸位专家、学者、同行不吝指正。

作者

2015年2月