در اينجا نيز هدف بهینه سازی تعیین بهترین راه حل مناسب برای یک مسئله بر اساس یک سری محدودیت های داده شده می باشد. در اواسط دهه 1990 ابرهارت و کندی یک راه حل جایگزین را برای مسئله بهینه­سازی غیر خطی پیچیده با تقلید از رفتار دسته پرندگان، ذرات، روش اجتماعی شناختی ارائه دادند که روش فکری خود را PSO نامیدند. الگوریتم فوق به هیچ نوع ترکیبی از اطلاعات کاربردی تابع بهینه شده نیازی ندارد و تنها از اپراتورهای ریاضی اولیه استفاده می­کند. در اين روش برای تنظیم کردن آن، به حداقل پارامترها نیاز می باشد. ضمناً عملکرد اجرایی الگوریتم با رشد ابعاد فضای تحقیقاتی نیز از بین نخواهد رفت.
روش PSO یکی از گونه­های جدید روش­های تکاملی است که قابلیت آن برای استفاده در مسائل بهینه سازی با توابع پیوسته به اثبات رسیده است. در این روش، حرکت به سوی نقطه بهینة تابع، بر اساس دو دسته داده صورت مي­گيرد. يكي از آنها اطلاعات بهترین نقطه به دست آمده از هر یک عوامل موجود در جمعیت اولیه بوده و ديگري نيز بهترین نقطه پیدا شده توسط نقاط همسایه مي­باشد. اساس کار الگوریتم PSO را می توان چنین توضیح داد:

ابتدا در فضای جستجوی مورد نظر تعدادی نقطه به عنوان جمعت اولیه انتخاب می­شود. نقاط بر اساس فاصله اقلیدسی در دسته­های مختلف قرار می­گیرند.

به عنوان مثال دسته i شامل سه عامل جستجو کننده است. مقدار تابع به ازاء هر یک از عوامل موجود در فضای جستجوی محاسبه شده و در هر دسته مشخص می گردد که کدام نقطه مقدار تابع را بسته به هدف مورد نظر کمینه یا بیشینه کرده است.

به این ترتیب در هر دسته بهترین نقطه مشخص می­گردد. از طرف دیگر با در دسترس بودن اطلاعات گذشته هر عامل می­توان بهترین نقطه­ای که تاکنون توسط آن کشف شده است را مشخص کرد. به این ترتیب اطلاعات نقطه بهینه هر دسته و هر عامل مشخص می­گردند. دانش اول متناظر با نقطه بهینه سراسری در هر گروه و دانش دوم متناظر با نقطه بهینه محلی می­باشد. با داشتن این اطلاعات، هر عامل در راستای بردار زیر حرکت داده مي­شود.

بر اين اساس مي­توان نتيجه گرفت كه ماهيت رفتار هدفمند ذرات در روش PSO بر اساس دو اصل استوار است که اين دو اصل عبارتند از

1)    دانش فردی : بر این اساس هر فرد به سمت بهترین دانش قبلی خود حرکت می­کند که دانش جدیدی به دست آورد.

2)   دانش اجتماعی: بر این اساس فرد بر حسب نوع ارتباط خودش با جامعه از بهترین اطلاعات دیگران برای ادامه حرکت استفاده می­کند.

در اصل دوم نوع ارتباط فرد با جامعه مهم است که به توپولوژی ساختار جامعه بستگی دارد، بر این اساس برای جامعه توپولوژی های متفاوت تعریف می­شود. این الگوریتم دارای مزایا و معایبی می­باشد که در زیر به آن اشاره می­شود.

مزایای الگوریتم

·         این الگوریتم در مقایسه با سایر الگوریتم­های بهینه­سازی دارای پارامترهای تنظیم کمتری می­باشد.

·         اجرای آن ساده است و دارای مفاهیم ساده­ای است.

·         برای مسائل گوناگون، موثر و قابل اجراست.

·         هم برای حالت­های گسسته به کار می­رود و هم برای مفاهیم پیوسته.

·         عملکرد اجرایی الگوریتم با رشد ابعاد فضای تحقیقاتی نیز از بین نخواهد رفت.

·         الگوریتم فوق به هیچ نوع ترکیبی از اطلاعات کاربردی تابع بهینه شده نیازی ندارد و تنها از اپراتورهای ریاضی اولیه استفاده می­کند.

·         یک روش مرتبۀ صفر بوده و به عملیات سنگین ریاضی به مانند گرادیان احتیاج ندارد.

·         روشی مبتنی بر جمعیت است.

·         از مشارکت ذرات استفاده می­کند.