【RBF预测】基于粒子群算法优化RBF神经网络实现数据回归预测含Matlab源码

加权最小二乘支持向量机（WLS-SVM）的学习性能和泛化能力取决于其正则化因子C和核函数参数σ的取值。对此，针对WLS-SVM建立C和σ的组合优化目标函数，采用基于Lozi映射的粒子群（PSO）算法来搜索最优目标函数值。迭代过程中，通过分别映射PSO个体最优位置，把产生的混沌序列中的最优解分别逆运算取代当前个体最优位置，引入混沌机制，以混沌变量的遍历性改进粒子群算法，提高全局搜索能力，避免过早陷入局部最优。将其应用于某玩具企业原料月消耗量预测，结果表明了文中所提方法的有效性。

matlab代码粒子群算法 ********火车时刻表问题******* 设置：要获取执行代码所需的所有必要条件，请运行Matlab中的startup.m文件。 我们有一个Matlab脚本，该脚本以不同的参数运行所有5种算法：runAll.m 您可以从runAll.m脚本中查看如何执行每种算法，下面还提供了执行每种算法所需的代码。 **在任何算法代码之前包括以下内容** numTrains = 10 LatestDep = 7 numStations = 3 sc = RandomTrains（numTrains，latestDep，numStations）; rs = sc.getRS（）; IdealSolution = rs.genIdealSolution（）; rs.reset（）; [initSolution，initConflicts，initLateness] = rs.getSolution（）; **遗传算法** rs.reset（）; GApopulation1 = 10; [GAIts1，bestGADelay1，bestGACost1] = GA_Main（s

量子粒子群算法探究.docx

前面一个资源没有考虑全局信息素的挥发,这一个做了一点改进...

matlab实现粒子群算法（PSO） 极值优化的程序代码

针对现代物流配送路径优化中物流成本控制、配送效率和计算效率提高等问题，提出了一种基于混沌粒子群算法的物流配送路径优化方法。通过分析现代物流配送特点和配送路径优化影响因素，建立综合反映配送效率、成本、客户需求等因素的物流配送指标体系；依据物流配送指标体系，基于信息熵建立综合考虑主观和客观因素的物流配送路径优化问题的目标函数；最后为提高计算搜索效率提出一种基于混沌粒子群算法的物流配送路径优化方法，并进行仿真验证。通过实例仿真表明，基于混沌粒子群算法的物流配送路径优化方法可以有效解决物流配送路径选择问题。

智能算法-遗传算法、蚁群算法、粒子群算法实现。实现版本Java,Python,MatLab多版本实现

针对标准粒子群算法寻优精度不高、易出现早熟收敛等缺陷, 提出一种自适应混沌移民变异粒子群算法IPSO。该算法通过引入基因距离来反映粒子间合作与竞争的隐性知识, 使粒子种群的多样性得到量化, 采取自适应混沌移民变异策略对陷入聚集区域的粒子进行处理, 使之获得继续搜索的能力, 从而防止算法过早陷入局部最优。仿真结果表明, IPSO算法在PID控制器参数寻优问题上具有遗传算法和标准粒子群算法无法比拟的优势。

【SVM分类】基于粒子群算法优化支持向量机实现葡萄酒数据分类附matlab代码