PID控制器的优化问题就是确定一组合适的参数Ki

：针对大多数图像分割方法计算量大、不利于实时处理的缺点，提出用微粒群算法(PSO)优化最小误差分割方法。该 方法不但具备最小误差分割法受目标和噪声影响小以及对小图像分割效果好的优点，还克服了遗传算法等加速算法需要预 先设定众多运行参数，受目标变化影响大的问题。图像分割的效果和速度得到了提高，性能也更加稳定。实验结果反映了该 方法的有效性。

粒子群算法_PSO_源代码 代码实现 设想这样一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。 　　PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness value)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。

phog方法提取图像特征，svm支持向量机进行分类，分别有GA遗传算法和PSO粒子群优化算法进行寻优。

针对暖通空调(HVAC)系统,提出一种基于粒子群优化(PSO)算法和最小二乘支持向量机(LSSVM)的预测控制方法。该方法利用LSSVM建立HVAC系统预测模型并预测系统的输出值,引入输出反馈和偏差校正以克服模型失配等因素引起的预测误差,以此构造加权预测控制性能指标。由PSO算法滚动优化得到系统的最优控制量。利用该控制方法对一个HVAC系统进行仿真实验,结果表明该方法具有较好的控制效果。

代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求解多目标优化问题代码代码 PSO求

PSOt为PSO的工具箱，该工具箱将PSO算法的核心部分封装起来，提供给用户的为算法的可调参数，用户只需要定义好自己需要优化的函数(计算最小值或者最大值)，并设置好函数自变量的取值范围、每步迭代允许的最大变化量(称为最大速度，Max_V)等，即可自行优化。

为有效预测煤与瓦斯的突出强度，分析了煤与瓦斯突出的主要影响因素，建立了基于粒子群优化支持向量机方法(PSO-SVM)的煤与瓦斯突出强度预测模型，通过实例对该模型的预测效果进行检验，同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对该实例进行了预测，进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO-SVM为87.5％、BP-NN为50％、SVM为62.5％。可见，PSO-SVM方法的预测效果要好于BP-NN和SVM，对煤矿煤与瓦斯突出强度预测具有一定的参考价值

粒子群优化神经网络的权值和阈值，用于钢水温度的预测，效果十分显著，程序讲解仔细

针对利用粒子群优化算法进行多极值函数优化时存在早熟收敛和搜索效率低的问题，提出混合的PSO-BFGS算法，并增强了混合算法的变异能力使算法能逃出局部极值点。通过对三种Benchmark函数的测试结果表明，PSO-BFGS算法不仅具有有效的全局收敛性能，而且还具有较快的收敛速度，是求解最优化问题的一种有效算法。