粒子群优化（PSO）是一种通过模拟鸟类或鱼类的社会行为来优化问题的计算方法。它的工作原理是初始化一组候选解，称为粒子，这些粒子在搜索空间中移动。每个粒子有一个位置，代表一个潜在解，以及一个速度，决定它在该空间中的探索方式。PSO的目标是通过迭代调整粒子的位置，以找到当前优化问题的最佳解。
在每次迭代中，粒子根据适应度函数评估其当前的位置，该函数衡量相对于其他解的优劣。每个粒子会跟踪自己最佳的位置，称为个人最佳（pBest），以及群体中任何粒子找到的最佳位置，称为全局最佳（gBest）。粒子的速度更新受个人最佳位置到当前位置信息以及全局最佳位置的影响。这种相互作用鼓励粒子探索新区域（多样化），同时仍然专注于已知的良好解决方案（强化）。
例如，考虑一个开发人员正在努力最小化软件应用程序中的复杂成本函数的场景。他们可以通过将每个潜在解表示为具有特定坐标的粒子来实现PSO，这些坐标对应于成本函数的各种参数。随着粒子在迭代中演化，它们共享对已知最佳解决方案的信息，逐渐收敛于最优参数。PSO特别适合于搜索空间大而复杂的问题，因此在工程设计、机器学习和函数优化等领域广受欢迎。