第一种方法：依照粒子的编号取粒子的邻域，取法有四种：1，环形取法 2，随机环形取法 3，轮形取法 4，随机轮形取法。
1 环形2 随机环形
3 轮形 4随机轮形
由于后面有以环形取法实现的算法，对环形取法在这里做一点点说明：以粒子1为例，当邻域是0的时候，邻域是它本身，当邻域是1时，邻域为2，8；当邻域是2时，邻域是2，3，7，8；......，以此类推，一直到邻域为4，这个时候，邻域扩展到整个样例群体。据文献介绍（国外的文献），採用轮形拓扑结构，PSO的效果非常好。
另外一种方法：依照粒子的欧式距离取粒子的邻域
在第一种方法中，依照粒子的编号来得到粒子的邻域，可是这些粒子事实上可能在实际位置上并不相邻，于是Suganthan提出基于空间距离的划分方案，在迭代中计算每一个粒子与群中其它粒子的距离。记录不论什么2个粒子间的的最大距离为dm。对每一粒子依照||xa-xb||/dm计算一个比值。当中||xa-xb||是当前粒子a到b的距离。而选择阈值frac依据迭代次数而变化。当另一粒子b满足||xa-xb||/dm<frac时，觉得b成为当前粒子的邻域。
这样的办法经过实验，取得较好的应用效果，可是由于要计算全部粒子之间的距离，计算量大，且须要非常大的存储空间，所以，该方法一般不常常使用。
粒子群算法(4)----粒子群算法分类
粒子群算法主要分为4个大的分支：
（1）标准粒子群算法的变形
在这个分支中，主要是对标准粒子群算法的惯性因子、收敛因子（约束因子）、“认知”部分的c1，“社会”部分的c2进行变化与调节，希望获得好的效果。
惯性因子的原始版本号是保持不变的，后来有人提出随着算法迭代的进行，惯性因子须要逐渐减小的思想。算法開始阶段，大的惯性因子能够是算法不easy陷入局部最优，到算法的后期，小的惯性因子能够使收敛速度加快，使收敛更加平稳，不至于出现振荡现象。经过本人測试，动态的减小惯性因子w，的确能够使算法更加稳定，效果比較好。可是递减惯性因子採用什么样的方法呢？人们首先想到的是线型递减，这样的策略的确非常好，可是是不是最优的呢？于是有人对递减的策略作了研究，研究结果指出：线型函数的递减优于凸函数的递减策略，可是凹函数的递减策略又优于线型的递减，经过本人測试，实验结果基本符合这个结论，可是效果不是非常明显。
对于收敛因子，经过证明如果收敛因子取0.729,能够确保算法的收敛，可是不能保证算法收敛到全局最优，经过本人測试，取收敛因子为0.729效果较好。对于社会与认知的系数c2,c1也有人提出：c1先大后小，而c2先小后大的思想，由于在算法执行初期，每一个鸟要有大的自己的认知部分而又比較小的社会部分，这个与我们自己一群人找东西的情形比較接近，由于在我们找东西的初期，我们基本依靠自己的知识取寻找，而后来，我们积累的经验越来越丰富，于是大家開始逐渐达成共识（社会知识），这样我们就開始依靠社会知识来寻找东西了。