粒子群算法(Particle Swarm Optimization),缩写为PSO,属于进化算法的一种,和遗传算法相似,它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价解的品质,但它比遗传算法规则更为简单,它没有遗传算法的“交叉”和“变异”操作,它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中展示了其优越性。本文对基本粒子群算法的特点,应用,构成要素,形式化定义等方面进行介绍和总结。而PSO算法一个最大的优点是不需要调节太多的参数,但是算法中少数几个参数却直接影响着算法的性能以及收敛性。目前,PSO算法的理论研究尚处于初始阶段,所以算法的参数设置在很大程度上还依赖于经验。PSO参数主要包括：粒子数目,粒子长度,粒子范围,粒子最大速率,惯性权重,学习因子等。本文对粒子群算法的主要参数进行了一一分析,并着重对学习因子和惯性权重进行了深入分析,给出具体数学公式的推导,对学习因子参数给予一定的改进,对惯性权重也进行了分析,并给出最新理论研究成果。之后结合实例对粒子最大速率和惯性权重综合起来对粒子群算法的影响进行深入分析,为了测试在不同的最大速度Vmax限制下惯性权重因子对影响,我们选用schaffer’s f6标准测试函数。最后分析结果得出结论,惯性权重因子的取值依据迭代过程变化有利于算法的改进。