MATLAB实现PSO-BiLSTM粒子群优化长短期记忆神经网络多输入回归预测（完整源码和数据） 数据为多输入回归数据，输入7个特征，输出1个变量。 运行环境MATLAB2018b及以上,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。

测试函数shubert是周期测试函数，拥有多个全局最优解，单周期内拥有一个全局最优解，粒子群算法具有收敛速度快，参数设置简单，容易理解的特点，用粒子群算法求解shubert函数，效果较好

MATLAB实现PSO-GRU粒子群优化门控循环单元多输入回归预测（完整源码和数据） 数据为多输入回归数据，输入7个特征，输出1个变量。 运行环境MATLAB2020b及以上。

程序中含有pso和aco两种算法，可以实现粒子群优化算法和蚁群优化算法优越性的比较。

以前的标题是“另一个粒子群工具箱” 介绍粒子群优化 (PSO) 是一种无导数的全局最优解算器。 它的灵感来自大群简单动物令人惊讶的有组织的行为，例如成群的鸟、鱼群或成群的蝗虫。 该算法中的个体生物或“粒子”是原始的，只知道四件简单的事情：1 & 2）它们自己在搜索空间中的当前位置和适应度值，3）它们以前的个人最佳位置，以及 4）整体“群”中所有粒子找到的最佳位置。 无需计算梯度或 Hessians。 每个粒子根据这些信息不断调整其在搜索空间中的速度和轨迹，在每次迭代中更接近全局最优。 正如在自然界中看到的那样，尽管其单个粒子很简单，但这个计算群显示出非凡的连贯性和协调性。 使用方便如果您已经在使用 MATLAB 全局优化工具箱中包含的遗传算法 (GA)，那么这个 PSO 工具箱将为您节省大量时间。 可以使用与 GA 相同的语法从 MATLAB 命令行调用它，并带有一些特定于 PSO

matlab开发-PSO技术经济分析等混杂可再生能源系统。基于粒子群算法的混合可再生能源系统技术经济分析

本文档是中山大学算法设计与分析课程的PPT，具体讲述PSO算法的原理和算法设计过程，并介绍用遗传算法解决STA问题以及人工蚂走“圣菲轨道问题”

Pso代码

滤波器设计是信号处理的核心问题之一,Matlab软件在多个研究领域都有着广泛的应用。 本文介绍了基于Matlab环境下,用窗函数设计法实现FIR数字滤波器的设计,并阐述了与以前人 们常用的设计方法的区别,给出了设计实例。仿真结果表明,设计结果的各项性能指标均达到指定 要求,且设计过程简便易行。

实验结果表明：经粒子群优化过的BP神经网络有效地改善了局部极值缺陷，可应用于定位端预测穴位的位置，并在LCD中显示穴位相关信息，控制端收到位置数据后可执行电机上的运动操作。