基于自适应线程束的GPU并行粒子群优化算法.pdf

提出一种基于空间划分树的多目标粒子群优化算法,该算法采用网格拥挤距离与网格密度相结合的策略选取全局极值,能加速算法收敛,保持种群多样性,在提高全局极值选取准确度的同时使最终解保持了较好的分布性.

粒子群优化算法(详细易懂-很多例子).pdf粒子群优化算法(详细易懂-很多例子).pdf粒子群优化算法(详细易懂-很多例子).pdf粒子群优化算法(详细易懂-很多例子).pdf粒子群优化算法(详细易懂-很多例子).pdf粒子群优化算法(详细易懂-很多例子).pdf粒子群优化算法(详细易懂-很多例子).pdf粒子群优化算法(详细易懂-很多例子).pdf粒子群优化算法(详细易懂-很多例子).pdf粒子群优化算法(详细易懂-很多例子).pdf粒子群优化算法(详细易懂-很多例子).pdf粒子群优化算法(详细易懂-很多例子).pdf粒子群优化算法(详细易懂-很多例子).pdf粒子群优化算法(详细易懂-很

最详细的PSO算法通过Java实现，附带详细注释 介绍地址：https://blog.csdn.net/HYL51740740/article/details/106105925 private static int M=200; //迭代次数 private static int numParticles=50; //粒子数 private static int dimension=3; //粒子维数 private static double[][] pBest = new double[numParticles][dimension]; //存储各粒子的历史最优位置信息 private static double[][] xPos = new double[numParticles][dimension]; //存储各粒子的当前位置信息 private static double[][] xVel = new double[numParticles][dimension]; //存储各粒子的速度信息 private static double[] gBest = new double[dimension]; //存储全局最优解对应的位置信息 private static double[] fitness = new double[numParticles]; //存储各粒子适应值

粒子群优化 (PSO) 是一种现代启发式算法，可应用于连续和离散优化问题。 原始的二元粒子群算法（BPSO）有一些缺点，使得算法不能很好地收敛。 为了解决这些缺点，引入了新的 BPSO（NBPSO）。 休耕论文中提供的结果显示了 NBPSO 的优越性。 [1]。 M.Rostami Shahrbabak 和 H.Nezamabadi-pour，“二元 PSO 算法的新方法”第 14 届伊朗电气工程会议，2006 年 5 月。 [2]。 H.Nezamabadi-pour、M.Rostami Shahrbabaki 和 M.Maghfoori Farsangi “二元粒子群优化：挑战和新解决方案"CSI Journal on Computer Science and Engineering Vol. 6, No. 1 (a), 2008.

这是一个基于粒子群优化算法的模糊c均值聚类源码（matlab) 这是一个基于粒子群优化算法的模糊c均值聚类源码（matlab)

提出基函数叠加与粒子群优化(PSO) 相结合的振动抑制轨迹规划方法. 首先推导了各关节变量与模态坐标的关系, 采用正弦-梯形函数作为基函数构造各关节的角速度, 其中基函数的系数和幅值为待定参数; 然后将末端振动最小化轨迹规划转换为待定参数的优化问题, 并采用PSO 算法获得待定参数的最优值; 最后以双杆刚柔混合机械臂为例开展仿真研究. 仿真结果表明, 所提出的方法大大减小了机械臂末端的残留振动.

本算法为混合算法，粒子群算法和遗传算法相结合，有很好的性能，程序中以函数优化为例，并且有适应度趋势图，代码有注释！代码有注释！代码有注释！

A structure MATLAB implementation of MOPSO for Evolutionary Multi-Objective Optimization A structured MATLAB implementation of MOEA/D for Evolutionary Multi-Objective Optimization

包含最基础的de差分进化算法，pso粒子群优化算法，以及fmincon（）等函数中最常用的内点法