显示了三个文件： 1）“ Fitting.m”：它是“主”文件。 2）“ ObjFun_fun.m”：在此文件中计算目标函数。 它接受必须输入所有输入数据的“数据”结构作为输入。 3）“ Optimization_PSO_v02.m”：这是PSO优化功能。 不得修改此文件。 可以设置该问题来修改其他两个文件。 在示例中，显示了一个 2D 曲线拟合问题。 如何创建优化问题？ -打开“ Fitting.m”文件并创建一个名为“数据”的结构，在该结构中必须放置优化问题所需的所有输入数据。 -打开“ ObjFun_fun.m”文件，并编写计算目标函数所需的代码。 在示例中，目标函数是最小二乘，因此在此处进行计算。 包含所有输入数据的“数据”结构会自动传递到此函数，因此无需修改其他文件。 -运行“ Fitting.m”文件。 对于0D动态系统中的参数估计问题，我也使用了相同的文件。 请，如

更新粒子的速度和位置： 初始速度： 初始位置： 群体历史最优解： 个体历史最优解： 取 ， , 得到速度和位置的更新函数为

张继荣,张天.基于改进粒子群算法的PID控制参数优化[J].计算机工程与设计,2020,41(04):1035-1040 PSO算法优化Simulink模型的参数在线整定 资源及仿真模型介绍： https://blog.csdn.net/qq_42249050/article/details/111247446

将ga算法嵌入pso算法组合优化lssvm分类模型 替换数据就行

使用BP神经网络、RBF神经网络以及PSO优化的RBF神经网络进行数据的预测+含代码操作演示视频

应用PSO优化基于分簇的无线传感器网络路由协议.

（matlab）PSO和BPNN_PID(基于粒子群优化的神经网络PID控制).zip

烟气含氧量是影响火电厂锅炉运行安全性和经济性的一个重要因素,影响锅炉烟气含氧量的因素多而复杂,对烟气含氧量特性进行建模与控制是实现锅炉正常运行的基础。借助现场运行数据,根据锅炉烟气含氧量的特性,建立基于最小二乘支持向量机(LSSVM)的锅炉烟气含氧量预测模型。在此基础上结合全局寻优的混合粒子群算法(PSO),对锅炉烟气含氧量进行控制。仿真结果表明:该方法能够比较准确地对火电厂锅炉烟气含氧量进行测量和控制,为锅炉燃烧系统的闭环控制与优化运行提供了新的手段。

压缩包中共含有六个文件，均可运行。本程序为标准粒子群优化算法，以优化函数为例运行，代码后面标有注释，适合小白学习。

matlab randi函数源代码[源代码] ps_closest.R：原始PSO代码ps_closest_rwr.R：包含用于读取，写入和规范化RWR原始数据文件的函数ps_closest_iso.R：使用角坐标（未规范化）生成PSO网络 [数据文件] real_rwr.csv：原始RWR数据normalized_rwr.csv book1.csv：由ISOMAP Matlab代码生成的角坐标 [plots] degree-dist-rwr-popsim-network-isomap-k-7.png：由ps_closest_iso.R生成。dist_angular_coords.png：角坐标分布（来自matlab，使用book1.csv） [杂项说明] Matlab代码 随机10x10矩阵 x1 = randi（[0，100]，[10,10]）/ 100 #import数据A = importdata（'real_rwr.csv'，';'） #import csv文件M = csvread（'normalized_rwr.csv'） #run isomap function [Y，