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。

粒子群优化算法(PSO)综述介绍.ppt

matlab实现粒子群算法（PSO） 极值优化的程序代码

是一本介绍粒子群优化算法的书籍，比较适合初学者

十三种工程设计优化应用的问题，采用罚函数的方式编写，以PSO算法为例。 这十三种工程优化问题分别是： 一、焊接梁设计问题 二、压缩弹簧设计问题 三、压力容器设计问题 四、轮系设计问题 五、减速器设计问题 六、管柱设计问题 七、工字梁设计问题 八、三杆桁架设计问题 九、悬臂梁设计问题 十、活塞杆优化问题 十一、槽形舱壁设计问题 十二、汽车侧面碰撞设计问题 十三、钢筋混凝土梁设计问题

基于PSO-bp的电能质量信号分类

遗传算法嵌入粒子群算法优化LSSVM回归预测模型 pso-ga-lssvm 遗传算法嵌入粒子群算法优化LSSVM回归预测模型 直接替换数据就可以运行

PSO(Particle Swam Optimization)粒子群优化算法应用.doc