粒子群优化算法（PSO）是一种进化计算技术（evolutionary computation），有Eberhart博士和kennedy博士发明。源于对鸟群捕食的行为研究。PSO同遗传算法类似，是一种基于叠代的优化工具。系统初始化为一组随机解，通过叠代搜寻最优值。但是并没有遗传算法用的交叉（crossover）以及变异（mutation）。而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化，神经网络训练，模糊系统控

为了提高入侵检测系统的检测率和降低系统的误检率，对基本的粒子群算法采用在粒子群初始化阶段，种群的离散度必须满足一定的要求才能开始迭代；在算法迭代过程中，惯性权重、加速系数的调整都与当前粒子群的离散度相关；当种群的离散度小于一定数值时，进行保优重初始化，同时采用适应度函数拉伸操作，重新迭代等几个方面的改进。经过KDD Cup 1999数据集的训练和检验数据的仿真测试，改进后的粒子群算法具有较高的检测正确率和较低的误检率，而且新算法收敛速度快，不易局部最优。

粒子群优化算法（PSO）是一种进化计算技术（evolutionary computation），有Eberhart博士和kennedy博士发明。源于对鸟群捕食的行为研究。PSO同遗传算法类似，是一种基于叠代的优化工具。系统初始化为一组随机解，通过叠代搜寻值。但是并没有遗传算法用的交叉（crossover）以及变异（mutation）。而是粒子在解空间追随的粒子进行搜索。同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其