在在全局标准粒子群算法中，每个粒子速度的更新取决于两个因素：1.粒子自身的历史最佳值pi。 2 .粒子集团的全球最佳值pg。 a .粒子自身的历史最佳值pi，如果更改粒子速度更新表达式，使每个粒子的速度更新基于以下两个因素进行更新： b .粒子邻域内粒子的最佳值pnk。 剩下的和全局版的标准粒子群算法一样，该算法将成为局部版的粒子群算法。
一般来说，一个粒子i 附近随着反复次数的增加而逐渐增加，第一次反复开始，其附近为0，随着反复次数附近线性增大，最后的附近扩展到整个粒子群，此时全局实践证明，全局版本的粒子群算法收敛速度快，但容易陷入局部最优。 局部版本的粒子群算法收敛速度慢，但很难陷入局部最优。 目前的粒子群算法大多在收敛速度和摆脱局部最优两方面下了功夫。 其实这两个方面是矛盾的。 让我们看看如何更好地折中了。
根据邻域取值的不同，局部版本的粒子群算法有许多不同的实现方法。
第一种方法是根据粒子的编号取粒子附近的方法，有1、取环法2、随机取环法3、取轮法4、随机取轮法4种。
1环2随机环
3圈形4随机圈形
接下来还有用环形的取法实现的算法，现在就环形的取法做一点说明。 以粒子1为例，邻域为0时，邻域为其自身，邻域为1时，邻域为2，8。 附近为2时，附近为2、3、7、8； ……就这样，直到附近变成4，附近一直扩展到那个集团整体。 据文献(国外文献)报道，采用环形拓扑，PSO效果好。
第二种方法：根据粒子的欧式距离取粒子附近
在第一种方法中，根据粒子的编号求出粒子的附近，但这些粒子在实际位置上可能不相邻。 因此，Suganthan提出了基于空间距离的分割方案，计算迭代中各粒子与群内其他粒子的距离。 将任意两个粒子间的最大距离记录为dm。 按每个粒子||xa-xb||/dm计算比值。 这里||xa-xb||是当前粒子a到b的距离。 选择阈值frac根据反复次数而变化。 如果另一个粒子b满足||xa-xb||/dmfrac，则认为b在当前粒子附近。
该方法经过实验，取得了较好的应用效果，但由于计算所有粒子之间的距离，计算量大，需要较大的存储空间，因此该方法一般不常用。