SPO_BPNN_PID：基于粒子群优化的神经网络PID控制

针对K-均值聚类算法存在的不足,提出了一种新的整合粒子群优化算法(PSO)和K-均值算法的聚类算法.在新算法中,首先结合使用粒子群优化算法和K-均值算法搜索全局最优解的位置,然后再用K-均值算法在全局最优解附近的局部空间内快速寻找最优聚类中心.通过对4个数据集的实验测试,将此算法与K-均值算法、基于粒子群的K-均值算法进行了比较.实验结果表明,新算法的聚类质量比后两个算法更优.

粒子群算法+优化支持向量机SVM+回归预测SVR+matlab源代码

粒子群优化算法优化灰色预测模型GM(1,1)+matlab源代码

我的学生的另一个示范。

vmd分解matlab实现，变分模态分解，信号分解，可应用于各种信号的分解，以及入门学习的辅助材料，这是vmd方法提出者的原版代码

为了进一步提高多模态函数寻优的效率, 提出一种融合Powell 搜索法的粒子群优化算法. 将PSO 算法的全
局搜索能力与Powell 法的强局部寻优能力有机地结合起来, 在保证求解速度, 尽可能找到全部极值点的同时提高了
解的精确性. 由于该算法只利用了函数值信息而不需要计算导数, 是求解可微和不可微多模态函数优化问题的通用
方法. 仿真实验表明了新混合算法的有效性.

设的0积分，嗯应该是能直接下吧 粒子群优化算法（PSO）和综合粒子群优化算法（CLPSO）MATLAB代码。

高维多目标优化问题一般指目标个数为4个 或以上时的多目标优化问题.由于种群中非支配解数量随着目标数量的增加而急剧增多,导致进化算法的进化压力严重降低,求解效率低.针对该问题,提出一种基于粒子群的高维多目标问题求解方法,在目标空间中引入一系列的参考点,根据参考点筛选出能兼顾多样性和收敛性的非支配解作为粒子的全局最优,以增大选择压力.同时,提出了基于参考点的外部档案维护策略,以保持最后所得解集的多样性.在标准测试函数DTLZ2上的仿真结果表明,所提方法在求解高维多目标问题时能够得到收敛性和分布性都较好的解集.

在过去的十多年，粒子群算法对多目标优化问题的应用研究取得了较大的进展。本文首先描述多目标粒子群优化算法（MOPSO）的基本流程，然后从算法设计与应用等方面回顾MOPSO的研究进展，最后对该算法未来的研究进行了分析和展望。