结合粒子群优化算法（PSO）和引力搜索算法（GSA），提出了一种新的基于种群的混合算法（PSOGSA）。主要思想是将 PSO 中的开发能力与 GSA 中的探索能力相结合，以综合两种算法的优势。一些基准测试函数用于将混合算法与标准 PSO 和 GSA 算法进行比较，以得出最佳解决方案。 论文: A New Hybrid PSOGSA Algorithm for Function Optimization, in IEEE International Conference on Computer and Information Application (ICCIA 2010), 中国, 2010, pp.374-377, DOI: http://dx.doi.org/10.1109/ICCIA .2010.6141614

二元混合粒子群优化和引力搜索算法（BPSOGSA）.zip 本次提交包括混合 PSOGSA 的二进制版本，称为 BPSOGSA，用于解决二进制优化问题。 代码用于以下论文： S. Mirjalili, G.-G。Wang, LS Coelho，使用混合粒子群优化和引力搜索算法的二元优化神经计算和应用，出版中，2014，Springer，DOI：http ://dx.doi.org/10.1007/s00521-014-1629-6

为了实现启发式优化算法的自适应参数调整， 避免算法陷入局部最优，提高算法的准确性 为解决参数识别问题，自适应模糊粒子群优化 （AFPSO）提出从自动调谐三个方面改进基本算法 参数、种群拓扑和突变特征。 刘，董，等。“使用自适应模糊粒子群优化的水轮机调节系统的精确参数估计。” 能源，第一卷。12，没有。20，MDPI AG，2019 年 10 月，第 20 页。3903，doi：10.3390/en12203903。

Multi-Objective Particle Swarm Optimization (MOPSO) 此函数执行多目标粒子群优化 (MOPSO) 以最小化连续函数。该实现是可以忍受的、计算成本低且压缩的（该算法只需要一个文件：MPSO.m）。提供了一个“example.m”脚本以帮助用户使用该实现。还值得注意的是，为了便于理解，代码被高度注释。该实现基于 Coello 等人的论文。(2004)，“用粒子群优化处理多个目标”。 重要提示：您指定的目标函数必须是矢量化的。这意味着它将获取整个种群（即矩阵 Np x nVar，其中 Np 是粒子数，nVar 是变量数）并且它期望接收每个粒子的适应度值（即向量 Np × 1)。如果函数没有向量化并且只接收一个值，那么代码显然会出现错误。 引用为

粒子群算法及其改进，在原有粒子群算法基础上进行改进，增加免疫算法，使其尽快跳出早熟，收敛更快，结果更优！(Particle swarm optimization (PSO) and its improvement are improved on the basis of the existing particle swarm algorithm, and the immune algorithm is added to make it jump out of premature, faster convergence and better results)

针对标准粒子群算法在优化过程中受初始值影响较大且容易陷入局部极值的缺陷，将鱼群算法中聚群行为的基本思想引入粒子群算法中，据此建立了粒子中心的基本概念，并利用粒子的聚群特性调整粒子的飞行方向与目标位置，从而提出了一种新的混合粒子群算法，旨在改进原粒子群算法的全局收敛能力。为了检验混合粒子群算法的优化特性，采用三种典型的标准函数对五种现行智能算法进行了多方面的测试和比较。实验结果表明，新算法具有良好的搜索精度与速度，有效弥补了标准粒子群算法局部收敛和鱼群算法精度不高的双重缺陷，适用于解决复杂函数优化问题。

针对露天矿燃油消耗问题,利用粒子群优化算法对BP网络的权值和偏置进行优化,建立了基于粒子群优化BP神经网络的露天矿卡车油耗量预测网络模型.该方法使用由PSO优化的BP模型来拟合影响露天矿卡车油耗众多因素与油耗值之间的复杂关系.仿真结果表明:模型具有预测精度高、稳定性好等特点,适用于露天矿卡车油耗的预测,在露天矿燃油消耗预测中具一定的实用价值.

粒子群优化算法流程图 开始 初始化粒子群 计算每个粒子的适应度 根据适应度更新pbest、gbest，更新粒子位置速度 结束 no yes 达到最大迭代次数或 全局最优位置满足最小界限？

基本的粒子群优化算法PSO的Matlab实现代码，很实用的呢

一种电磁优化算法，解决稀疏天线阵的方向图综合问题