粒子群优化算法(Particle Swarm Optimization，PSO)源于鸟群和鱼群群体运动行为的研究，由Kennedy博士和Eberhart博士于1995年提出。粒子群优化算法是一种基于种群搜索策略的自适应随机算法，是进化计算领域中的一个新的分支。它的主要特点是简单、收敛速度较快、没有很多参数需要调整，且不需要梯度信息。作为群智能的典型代表，PSO算法己被证明是一种有效的全局优化方法。它可用于求解大部分的优化问题，并在实际工程中表现出巨大的潜力，现已广泛应用于函数优化、神经网络、模糊系统控制、模式识别等多个领域。 本文对PSO算法的基本原理、PSO的两种经典模型：惯性权重模型和收缩因子模型、PSO算法的搜索空间、拓扑结构、算法应用等方面做了较为系统的论述，重点讨论了PSO的收敛性和参数选择。 众所周知，退温机制(即：温度下降过程)是模拟退火算法(SA)中一个重要的部分。本文提出了一种结合退温机制的粒子群混合算法。惯性权重w和学习因子c<,1>、c<,2>根据温度的变化而变化。每个粒子在每次迭代中，粒子是否更新位置由给定的状态接受函数来决定，状态接受函数由两个参数控制：当前温度和目标函数的变化值。在PSO-CS(Combining PSO and Cooling Schedule)算法早期寻优过程中，为了扩大了粒子的搜索范围，我们设定一个很高初始温度，即使：e<△flt(k)>≈1，允许粒子运动到“不好的位置”。随着温度逐渐的降低，w、c<,1>、c<,2>和允许粒子运动到“不好的位置"的概率随着降低，增强算法后期的收敛性。 最后，我们应用PSO-CS算法求解二维非截断切割问题。对每个算例，PSO-CS搜索得到的最优解都比PSO、PSO-TVAC的要好。实验数据表明：PSO-CS算法扩大了粒子的搜索范围，增大找到最优解的概率，并对求解二维非截断切割问题十分有效。