各种阵列天线方向图综合方法集合包括 粒子群 凸优化 泰勒法等

基于PSO-SVM粒子群优化支持向量机的数据分类预测（Matlab完整程序和数据） 输入多个特征，分四类。 基于PSO-SVM粒子群优化支持向量机的数据分类预测（Matlab完整程序和数据） 输入多个特征，分四类。 基于PSO-SVM粒子群优化支持向量机的数据分类预测（Matlab完整程序和数据） 输入多个特征，分四类。

用MATLAB编写测试函数的五种PSO改进算法

粒子群算法的PPT讲解，以及如果对粒子群算法进行改进的方法。

MATLAB实现PSO-SVM粒子群优化支持向量机时间序列预测，Matlab完整程序和数据 数据为单变量时间序列数据，含粒子群优化前后的对比，预测对象为股票价格。

f(1)=2*x(1)^2-3*x(2)^2-4*x(1)+5*x(2)+x(3) 粒子群算法和遗传算法思想都很接近，都是一个通过对比去寻找最优解的过程，基于粒子群算法求最大最小值matlab代码，包含matlab源代码和报告，可直接运行出结果。 有一群鸟去寻找食物，其目的在于找到食物最多的地方，然后再大家一起去那里定居，但是每只鸟都会找到自己认为食物最多的地方，这个就叫做局部最优；为了防止陷入局部最优，所以大家定期会聚集在一起讨论，并进行食物量多少的比较，最终找到食物最多的地方，便是全局最优解。

财务风险识别的研究具有十分重要的意义，针对当前财务风险识别方法存在误差大、效率低等弊端，以提高财务风险识别正确率为目标，提出了模式识别技术的财务风险识别方法。对当前各种财务风险识别方法进行分析，找到引起财务风险识别效果不理想的原因，引入模式识别技术中的在线极限学习机描述财务风险变化特点，并建立财务风险识别模型，采用具体实例与其他财务风险识别方法进行了对比实验。结果表明，文中方法减少了财务风险出现误识的概率，财务风险识别正确率得到了明显的改善，财务风险识别速度加快，具有较明显的优势。

针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心,使其跳出局部最优,实现模糊聚类。主要从反映数据集分类的类内紧致性程度和类间分离性程度的角度考虑,重新设计适应度函数。实验结果表明,提出的算法在聚类正确率和有效性指标上有更好的效果。

多目标粒子群算法的原理以及matlab代码实现，参考文献《基于改进多目标粒子群算法的配电网储能选址定容》。 代码注释清晰，结构有条理，非常适合用来学习多目标优化。 程序包括多目标粒子群算法的主函数与四个多目标优化常用的测试函数，代码运行有任何问题都可以帮忙解决，文档中提供了完整代码的获取方式。

MATLAB实现PSO-BP粒子群优化BP神经网络多特征分类预测（完整源码和数据） 数据为多特征分类数据，输入12个特征，分四类。 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。