在計算科學中，粒子群優化(PSO)是一種計算方法，它通過迭代地嘗試根據給定的質量度量改進候選解決方案來優化問題。它通過擁有一組候選解（這里稱為粒子）來解決問題，并根據粒子位置和速度上的簡單數學公式在搜索空間中移動這些粒子.每個粒子的運動受到其局部最佳已知位置的影響，但也會被引導到搜索空間中的最佳已知位置，這些位置隨著其他粒子找到更好的位置而更新。預計這會將群體推向最佳解決方案。

粒子群優化最初歸因于Kennedy、Eberhart和Shi，最初用于模擬社會行為，作為鳥群或魚群中生物體運動的程式化表示。該算法被簡化，并觀察到它正在執行優化。Kennedy和Eberhart所著的這本書描述了PSO和群體智能的許多哲學方面。Poli對粒子群優化應用進行了廣泛的調查。最近，Bonyadi和Michalewicz發表了關于粒子群優化的理論和實驗工作的綜合評論。

粒子群優化是一種元啟發式算法，因為它對正在優化的問題幾乎沒有或根本沒有假設，并且可以搜索非常大的候選解決方案空間。此外，粒子群優化不使用被優化問題的梯度，這意味著粒子群優化不需要像梯度下降法和擬牛頓法等經典優化方法所要求的優化問題是可微的。但是，諸如粒子群優化之類的元啟發式算法并不能保證找到最佳解決方案。

粒子群優化參數的選擇對優化性能有很大影響。因此，選擇產生良好性能的粒子群優化參數已成為許多研究的主題。

粒子群優化參數也可以通過使用另一個重疊優化器來調整，這個概念被稱為元優化，甚至在優化過程中進行微調，例如，通過模糊邏輯。

還針對各種優化場景調整了參數。

粒子群優化算法有效探索多個局部最小值的能力可以與基于梯度的局部搜索算法的能力相結合，以有效計算準確的局部最小值以產生基于梯度的PSO算法。在基于梯度的PSO算法中，PSO算法用于探索許多局部最小值并在深度局部最小值的吸引力盆地中定位一個點。然后使用高效的基于梯度的局部搜索算法來準確定位深層局部最小值。復雜高維成本函數的梯度和Hessian的計算通常計算成本高，并且在許多情況下無法手動進行，從而阻礙了基于梯度的PSO算法的廣泛采用。然而，近年來，高質量符號自動微分(AD)軟件的可用性導致對基于梯度的PSO算法的興趣重新興起。