一句话定义：粒子群优化（Particle Swarm Optimization，PSO）是一种受鸟群觅食启发的随机搜索算法——它不计算梯度，只让一群"候选解"各自乱飞、互相通报"我到过的最好位置"，靠这种朴素的集体记忆逐步逼近最优解。
它怎么工作的
想象一群蒙着眼睛的鸟在山谷里找食物最多的地点。每只鸟不知道山有多高、坡往哪边斜，只知道两件事：我自己去过的最好地点在哪（个体最优，personal best，记作 pbest），以及整个鸟群里目前最好的地点在哪（全局最优，global best，记作 gbest）。
于是每只鸟下一步怎么飞，由三股力量拉扯决定：
1. 惯性：保持刚才的飞行方向，别急刹车；
2. 认知：往自己记忆中的最佳点偏一点；
3. 社会：往群里公认的最佳点偏一点。
这三项加权求和，就得到新的速度；位置加上速度，就是新的一步。所有粒子都这么更新一轮，重新评估各自位置的好坏，再刷新 pbest 和 gbest，循环往复。那股"社会"拉力让群体快速收敛到某个区域，那股"惯性"和"认知"拉力又保证大家没有全部挤成一个点——搜索的多样性和收敛性就靠这三项的权重平衡（惯性权重 inertia weight、学习因子 c1/c2 都是这么来的）。
和梯度下降完全不是一路
梯度下降（Gradient Descent）的思路是"问路"：算出当前位置的斜率，沿着最陡的下坡方向走一小步。它要求目标函数可导、能算梯度，而且一阶方法容易被鞍点或局部极小困住。
PSO 的思路是"撒人"：同时铺开几十上百个探子，谁也不看斜率，只看"哪里曾经好"。所以它天然适合黑箱优化——目标函数是个不可导的仿真程序、一段跑一次要几分钟的实验、甚至一个只能给评分的业务规则，梯度下降根本下不了手，PSO 照样能跑。
| 维度 | 粒子群优化 PSO | 梯度下降 | 遗传算法 GA |
|---|---|---|---|
| 需要梯度 | 不需要 | 必需 | 不需要 |
| 信息来源 | 群体历史最优 | 局部斜率 | 选择、交叉、变异 |
| 是否保留"种群" | 是，且带记忆 | 通常单点 | 是，无记忆 |
| 典型强项 | 连续参数调优、黑箱目标 | 高维可导问题 | 组合/离散问题 |
与遗传算法（Genetic Algorithm，GA）相比，PSO 没有交叉和变异这些"繁殖"操作，粒子是带着记忆持续飞行的，代码往往更短、参数更少；代价是它多样性衰减得快，容易"早熟收敛"——整群过早挤到一个不够好的坑里。同类思路还有蚁群算法（Ant Colony Optimization，ACO）、模拟退火（Simulated Annealing），以及更讲统计的贝叶斯优化（Bayesian Optimization）。
对实际工作意味着什么
从业者手里常见的活儿——控制器参数整定、超参数搜索、天线/结构/调度问题的参数寻优、小规模神经网络的权重训练——都可以拿 PSO 试一把，尤其当目标函数只能"跑一下看结果"、写不出梯度的时候。它也常被当作对照基线，和别的优化器比一比。
但别把它当万灵药：维度很高、评估很贵时，PSO 的采样效率并不占优；它的收敛性没有严格保证，结果对参数设置和随机种子比较敏感，多跑几次取统计才靠谱。对普通职场人，它更像一个思维模型：在没有地图的时候，让一群不聪明但会互相通报的探子去探，往往比让一个聪明人硬算斜率更管用。