卷积神经网络（CNN）优化，神经网络weights压缩剪枝，用于加速整个CNN.

matlab 粒子群算法优化神经网络预测 直接使用 可用于流量预测等

食用方法可参考我写的博客：https://blog.csdn.net/weixin_43486940/article/details/118701303 本文主要介绍如何使用python搭建：一个基于：粒子群优化算法(PSO：Particle swarm optimization) 优化CNN网络，并实现文本的分类。 博主也参考过网上其他博主介绍：粒子群优化算法（PSO）的文章，但大多是理论大于方法。并且很少有用到优化CNN或其他网络的代码。很多同学肯定对原理不需要过多了解，只需要搭建出一个分类或预测系统即可。

粒子群算法（PSO）优化的径向基函数（RBF）神经网络算法.zip

自己写的，编程渣渣，写的很乱，但也基本实现了，仅供参考。有朋友可以联系我相互讨论学习，

利用粒子群算法优化方程最小值，方程变量个数可变，方程可自行定义，运行结果正确。粒子群算法（ Particle Swarm Optimization, PSO）最早是由Eberhart和Kennedy于1995年提出，它的基本概念源于对鸟群觅食行为的研究。设想这样一个场景：一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。最简单有效的策略？寻找鸟群中离食物最近的个体来进行搜素。PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。

利用PSO优化Echo State Network，可以使用。效果很好。

PSO优化的自抗扰控制.rar

为克服BP神经网络算法在故障诊断应用中的缺点,提出了粒子群优化BP神经网络的方法,并在此基础上优化BP神经网络的结构来提高准确率。最后,通过对变压器故障诊断在Matlab中的仿真结果,验证了此方法有较高的准确率和较快的收敛速度。

这是一个简单的C++模拟粒子群PSO算法的例程； 粒子群优化算法（Partical Swarm Optimization PSO），粒子群中的每一个粒子都代表一个问题的可能解， 通过粒子个体的简单行为，群体内的信息交互实现问题求解的智能性。由于PSO操作简单、收敛速度快，因 此在函数优化、 图像处理、大地测量等众多领域都得到了广泛的应用。 首先，在程序中选择粒子数，并且选择函数，程序计算得到其结果最小值时的自变量位置。