动态粒子群算法在动态环境下进行寻优，代码亲测可以使用，有注释，可以根据需要自行修改，可放心下载！

pso-elm（粒子群算法优化极限学习机）

在智能领域，大部分问题都可以归结为优化问题。常用的经典优化算法都对问题有一定的约束条件，如要求优化函数可微等，仿生算法是一种模拟生物智能行为的优化算法，由于其几乎不存在对问题的约束，因此，得到广泛应用。本次毕业设计将基于群体智能的粒子群优化算法作为研究课题，主要任务及目标为：熟悉和掌握基本粒子群优化算法的基本原理，分析影响算法性能的参数，熟悉基本粒子群优化算法的改进算法和改进策略，利用Matlab科学计算语言进行算法仿真，掌握科学研究的基本过程和方法。提出一种改进的粒子群优化算法，并进行仿真比较。

Matlab车间动态调度PSO微粒群算法程序最后输出优化结果和甘特图，matlab2021测试。

基于PSO粒子群优化的kmeans的聚类仿真，matlab2021a仿真测试。

粒子群优化与其它基于群体的进化算法相比，它们均初始化为一组随机解，通过迭代搜寻最优解。PSO将每一个可能产生的解表述为群中的一个微粒，每个微粒都具有自己的位置向量和速度向量，以及一个由目标函数决定的适应度。本文首先介绍了基本的粒子群算法的理论和基本算法流程，然后介绍了模糊聚类的相关知识。从而对基于粒子群的聚类分析有更进一步的认识，然后在本文的第三章，通过MATLAB对该算法进行了仿真，并通过分析几张手动输入图片进行仿真分析，发现采用不同的距离方法均能实现图片的模糊聚类。

组个比较全面的PSO粒子群优化算法的MATLAB仿真，matlab2021a仿真。

包括PSO算法、Simulink模型和IAE目标函数

离散二进制粒子群算法PSO MATLAB代码

PSO粒子群算法优化RBF网络，matlab2021a仿真测试 %G为迭代次数,n为个体长度(包括12个参数),m为总群规模 %w,c1,c2为粒子群算法中的参数 G =250; n = 12; m = 20; w = 0.1; c1 = 2; c2 = 2;