首先，我是参考的这个专栏的https://blog.csdn.net/niuyongjie/article/details/1569671的博文，感觉理解起来还行，但是由于我个人的原因，时间的关系暂时先做如下总结，往后有机会再拾起的研究的话再更新更正。如果有什么理解不对的或者需要补充的，欢迎各位指正，谢谢。
最后，我要思考的就是如何才能把这个算法用于实践中，应用于特定场景中呢？
我们所需要寻找的最优解的函数写在适应度函数中，比如 y=1-cos(3*x)*exp(-x) ，他有一个解，所以我的粒子是一维的，我们还需要提供的信息就是这个函数的定义域，有些函数是在定义域内才有最值的，所以我们还需要提供粒子运动的范围，这样他的随机变化加一定规则才不会超出这个定义域，超出定义域了他的值域就没有意义了。如果 y=1-cos(3*x1)*exp(-x2)，那么他就有x1，x2两个解了，那么此时的粒子就是二维的，而且每一维的运动范围都要给出。
这样以后，粒子会根据自己的历史记录和他的“圈子”或者全局的粒子的进行比对做出调整，而且那是有权重的，以适应各种场景。
那么我们的实际中，哪里来的函数呢？而且最优解一定是最值？我先保留以后讨论。
经过我的查阅，运动目标的检测中使用粒子群滤波的方法。基本的思想也是相似的。他对比的是感兴趣区域的直方图（相当于上面的函数）与粒子所在区域的直方图的相似度，相似度越高，则权重越大，则粒子往感兴趣区域移动越快，相似度近乎为0的滤除掉，添加新的粒子，新生粒子是最高相似度的copy，但是这样以后就会有一个问题，就是粒子的多样性会降低，导致可能最终得到的结果不是全局最优解，而是局部的最优解，也即极值点而不是最值点。
先暂时写到这吧，有点困了。。。。