利用粒子群算法优化方程最小值，方程变量个数可变，方程可自行定义，运行结果正确。粒子群算法（ Particle Swarm Optimization, PSO）最早是由Eberhart和Kennedy于1995年提出，它的基本概念源于对鸟群觅食行为的研究。设想这样一个场景：一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。最简单有效的策略？寻找鸟群中离食物最近的个体来进行搜素。PSO算法就从这种生物种群行为特性中得到启发并用于求解优化

由于高维参数空间和较差的图像观察，三维铰接式人体运动跟踪具有挑战性。 当使用粒子群优化（PSO）进行人体运动跟踪时，由于不可靠的图像可能性，粒子可能会被误导并且无法找到最合理的姿势空间。 本文提出了一种新的基于PSO的人体运动跟踪算法，即基于PSO的退火粒子滤波器（APSOPF）。 采样协方差和退火因子被合并到PSO的速度更新方程中。 它们会在PSO迭代开始时以适当的值进行初始化，并以合理的步骤降低（退火）。 通过采样协方差，将运动先验引入到APSOPF中，将粒子约束到姿势空间的最可能区域，并减

为准确、快速地评定任意位姿的一般二次曲面轮廓度误差,提出以改进粒子群算法(IPSO)和角度分割逼近法为基础的最小区域评定方法。首先,提出角度分割逼近法计算的所有测量点与一般二次曲面的距离,并以其中最大值作为任意位姿二次曲面方程拟合算法的目标函数。其次,结合模型中目标函数的特点,提出以最优化解析法思想、自然选择和杂交结合PSO算法的新IPSO算法解决误差评定模型的优化问题。实验采用上述方法对某抛物面天线进行评定,与最小二乘算法(LSM)、标准PSO算法的结果和进化曲线等进行比较,同时比较商用软件S