粒子群算法(PSO算法)：
优点：操作简单、收敛速度快；
缺点：早熟收敛、维数灾难、易于陷入局部极值
PSO算法的发展方向：
1、调整PSO的参数来平衡算法的全局探测和局部开采能力：(1)引入惯性权重并对其进行线性/非线性的动态调整–w
(2)研究加速因子对位置期望及方差的影响，得出更好的加速因子取值–c1单调递减,c2单调递增，迭代初期搜索更细致，迭代后期全局合作能力增强。
2、设计不同类型的拓扑结构，改变粒子学习模式，提高种群的多样性。(为解决：易早熟收敛，寻优精度不高)–拓扑结构是指整个群体中所有粒子之间相互连接的方式，如：4类(fourclusters)：整个粒子群中有4个类组成，各个类内部相互完全通信，类间通信较少。
3、将PSO和其他优化算法（或策略）相结合，形成混合PSO算法。
另补充：骨干粒子群算法(BPSO)：粒子每代的位置不由迭代计算的速度v得出，而是通过与Pb（历史最优位置）和Gb（全局最优位置）相关的高斯分布直接获得；自学习骨干粒子群优化算法(SLBPSO):[1]高斯分布的期望不再是Pb和Gb的算术均值，而是一个随迭代过程自适应的值；[2]当例子处于全局最优位置时，给予粒子一个可调节的标准差，使算法能继续搜索。
遗传算法（GA）：
优点：搜索从群体出发，具有潜在的并行性，可以进行多个个体的同时比较。
缺点：1、编程实现比较复杂
2、交叉率和变异率,这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验
3、没有能够及时利用网络的反馈信息,算法的搜索速度比较慢，要得要较精确的解需要较多的训练时间
4、大量计算。涉及到大量个体的计算，当问题复杂时，计算时间是个问题。
5、稳定性差。因为算法属于随机类算法，需要多次运算，结果的可靠性差，不能稳定的得到解。
6、存在早熟收敛的可能(较早收敛到局部最优)—[可结合模拟退火算法进行改进，因为SA在理论上100%可得全局最优，但搜索代价高]
由上图可知：遗传算法较粒子群算法这样的单点进化算法而言，陷入局部最优解的可能性要小，从而易于对全局的所有解进行搜索----[个人理解：遗传算法是否会容易陷入最优解？，这与遗传算法中的交叉率与变异率有很大的关系！]
