惯性权重 1998年，Shi和Eberhart引入了惯性权重w，并提出动态调整惯性权重以平衡收敛的全局性和收敛速度，该算法被称为标准PSO算法 惯性权重w描述粒子上一代速度对当前代速度的影响。w值较大，全局寻优能力强，局部寻优能力弱；反之，则局部寻优能力强。当问题空间较大时，为了在搜索速度和搜索精度之间达到平衡，通常做法是使算法在前期有较高的全局搜索能力以得到合适的种子，而在后期有较高的局部搜索能力以提高收敛精度。所以w不宜为一个固定的常数。

这是一个关于多目标粒子群算法，很有用，代码通用性强

直观了解算法的工作原理： 蚂蚁从出发地到最后，前往所有城市。 我们可以想象它们以相同的路径返回，并在返回的路径上沉积信息素。 他们在较短的距离上（然后在较长的距离上）仅在行进的路径上沉积更多的信息素。 一只蚂蚁会根据路径上的信息素水平以及到最近城市的距离来决定去哪座城市。 更详细地： 我们选择N个蚂蚁。 我们初始化信息素沉积矩阵，它与距离矩阵的形状相同。 和坐标响应相同的城市。 如果distances[2,5] = 35则2到5的距离为35，如果pheromone[2,5] = 0.8则沉积在2和5之间的路径上的信息素水平为0.8。 用所有具有相同值的小变量初始化信息素矩阵。 探索一些路径： 蚂蚁决定使用哪个城市去： city_to_city_score = pheromone ** alpha * (1.0 / distance) ** beta alpha和beta分别充

贪婪迁移机制的蚁群优化算法在无线传感器网络中的节点部署

群体智能是一个研究领域，它对成群的昆虫或动物的集体行为进行建模。 已经提出了由这些模型产生的几种算法来解决范围广泛的复杂优化问题。 在本文中，提出了一种称为社交蜘蛛优化（SSO）的新型群算法来解决优化任务。 SSO 算法基于模拟社交蜘蛛的合作行为。 在所提出的算法中，个体模仿一组蜘蛛，这些蜘蛛根据合作群体的生物学规律相互交互。 该算法考虑两种不同的搜索代理（蜘蛛）：男性和女性。 根据性别，每个个体都由一组不同的进化算子引导，这些算子模仿通常在群体中发现的不同合作行为。 为了说明所提出方法的熟练程度和稳健性，将其与其他众所周知的进化方法进行了比较。 比较检查了进化算法文献中通常考虑的几个标准基准函数。 结果显示了所提出的方法的高性能，用于搜索具有多个基准函数的全局最优值。 文章发表于： Cuevas, E., Cienfuegos, M., Zaldívar, D., Pérez-Cisn

解决最优化问题的方法 传统搜索方法 保证能找到最优解 Heuristic Search 不能保证找到最优解

利用matlab写了粒子群优化算法的一个脚本文件，每行代码都有详细注释，可以根据代码内容自行修改，实现自己需要的功能

带交叉因子的粒子群优化算法matlab源程序，有代码注释，比较容易理解！

针对惯性权重改进策略大多采用同代粒子使用相同权重,忽略了粒子本身特点以及不同维上的有效信息,提出一种基于不同粒子不同维的动态自适应惯性权重粒子群算法(AWPSO)。在该算法中利用矢量运算分析粒子进化公式,用一种新的方法构造惯性权重公式,使惯性权重随不同代不同粒子不同维动态改变,加快粒子收敛速度和全局搜索能力。通过对7个典型测试函数的测试结果表明,AWPSO在收敛速度,收敛精度,全局搜索能力方面比线性惯性权重粒子群算法(LDIWPSO)均有不同程度上的提高。

粒子群优化算法是一种基于群体智能的随机全局优化技术,尽管其原理简单易、于实现且功能强大,但目前研究人员还没有对它的工作原理做出足够的解释。将群体优化过程看成一个动态系统的演变,采用线性离散时间系统的分析方法对算法的收敛性进行了分析,导出了简化PSO算法的收敛条件。考虑到参数是影响算法性能和效率的关键因素,利用标准测试函数对算法的参数选择进行了详细的分析,并给出一些指导性原则。