本书研究了群体智能典型实现的算法之一——粒子群优化算法。其针对传统粒子群优化算法存在的缺点，给出其改进方法或提出新模型，使之更为有效可靠；另外，介绍了所提出的新模型、新算法在实际工程领域中的应用，拓展了粒子群算法的应用领域。
本书在介绍了粒子群优化算法基本原理、基本粒子群算法的基础上，阐述了粒子群算法的实现技术，基于参数改进的粒子群算法、混合粒子群算法、生物启发式粒子群算法，**研究了粒子群算法在各类现实工程问题中的应用情况。
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、自动化等专业的师生参阅，亦可供从事计算智能研究与应用的工作者参考。

1 绪论
大自然给人以许多启迪，人们从生物界的各种自然现象或过程中获得灵感，提出了许多用以解决复杂优化问题的新方法，这些方法因其**的优化性能、对问题依赖性较小等优点，受到各领域的广泛关注和应用。人们将这种启发应用于生物行为的计算方法称之为生物启发式计算。在*近几十年中应用较为成功的生物启发式计算方法有遗传算法、神经计算、模糊系统等。随着人工智能的进一步发展和人工生命的兴起，出现了一类模拟社会型生物行为的启发式算法——群体智能优化。其中较具代表性的有蚂蚁算法和PSO算法。本章首先给出了关于PSO算法研究的背景并对已有的生物启发式计算方法进行简单的回顾，然后引出目前生物启发式计算领域研究热点——群体智能，对群体智能进行概述，并从理论和应用两个角度对群体智能算法进行综述。
……

1 1绪论
1.1 相关背景
1.2 生物启发式计算
1.2.1 遗传算法
1.2.2 神经计算
1.2.3 模糊系统
1.2.4 其他生物启发式计算方法
1.3 群体智能
1.3.1 群体智能简介
1.3.2 群体智能的基本特性
1.4 群体智能算法及其研究现状
1.4.1 蚂蚁算法
1.4.2 粒子群优化算法
1.4.3 群体智能算法应用研究现状
1.5 展望
参考文献
2 粒子群算法
2.1 引言
2.2 粒子群算法概述
2.2.1 粒子群算法的起源
2.2.2 原始粒子群算法
2.2.3 标准粒子群算法
2.3 标准测试函数
2.4 粒子群算法的实现
参考文献
3 粒子群算法参数分析
3.1 引言
3.2 惯性权重分析
3.2.1 线性惯性权重策略
3.2.2 非线性惯性权重策略
3.2.3 其他策略
3.3 学习因子分析
3.4 其他参数分析
参考文献
4 改进粒子群算法
4.1 粒子群算法改进研究综述
4.1.1 参数改进
4.1.2 拓扑结构的改进
4.1.3 混合策略
4.1.4 基于生物行为的改进
4.2 基于差分进化的一种新型混合粒子群算法
4.2.1 差分进化算法
4.2.2 基于差分进化的混合粒子群算法
4.2.3 试验设置与测试函数
4.2.4 试验结果-
4.3 基于模拟退火思想的粒子群算法
4.3.1 概述
4.3.2 模拟退火算法
4.3.3 基于模拟退化思想的粒子群混合算法
4.3.4 实验设置与测试函数
4.3.5 实验结果
4.4 基于细菌趋化的改进粒子群算法
4.4.1 PSOBC算法
……
5 粒子群算法的应用