运行文件PSO,即可运行程序。程序给了相应中文解释。本文件提供4个相关的数据集，前缀为data为是数据，前缀为target为数据的标签。注：使用的是MATLAB2016a版本，采用MATLAB自带的SVM,若已安装林志仁SVM，则程序可能会运行失败，解决办法：MATLAB设置路径为默认路径，再次运行即可。

为了提高多目标优化算法的收敛性、分布性和减少算法的计算代价, 提出一种基于量子行为特性的粒子群 优化(QPSO) 和拥挤距离排序的多目标量子粒子群优化(MOQPSO-CD) 算法. MOQPSO-CD 利用QPSO 快速接近真 实的Pareto 最优解, 同时引入高斯变异算子以增强解的多样性. 采用拥挤距离排序的方法对外部存储器中最优解进 行更新和维护, 使得从中选择的具有全局最优的领导粒子能够引导粒子群最终找到真实的Pareto 最优解. 仿真结果 表明, MOQPSO-CD 具有更好的收敛性和更均匀的分布性.

基于Tent 映射的混沌混合粒子群优化算法

对基本的粒子群算法，采用matlab实现，并附有详细的解说，很不错的一个源程序代码.

收缩因子法 1999年，Clerc引入收缩因子以保证算法的收敛性。 速度更新公式为 其中，收缩因子K为受φ1 φ2 限制的w。φ1 φ2是需要预先设定的模型 参数 收缩因子法控制系统行为最终收敛，且可以有效搜索不同区域，该法 能得到较高质量的解。

算法介绍 设想这样一个场景：一群鸟在随机搜索食物，在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为"粒子"。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。

粒子群优化方法 (PSO)，这是一种元启发式算法，模仿鱼类和鸟类等社会行为动物寻找食物。 代码是不言自明的。 有一篇论文提供了足够的背景信息来理解此代码。 《粒子群优化与差分进化算法：技术分析， 应用和杂交观点”，作者：Swagatam Das、Ajith Abraham 和 Amit Konar

约束粒子群优化算法

粒子群优化灰色模型，粒子群优化算法的应用 提高模型的预测精度 粒子群优化灰色模型 采用粒子群算对灰色模型中的参数进行优化，提高模型的预测精度

% fodpso - 分数阶达尔文粒子群的 MatLab 函数% 优化 (FODPSO)。 % 仅限于九个变量的优化问题，但很容易% 被扩展为更多的变量。 % % xbest = fodpso(func) % xbest - 优化问题的解决方案。 列数% 取决于输入函数。 size(func,2)=xi 变量的数量% func - 包含数学表达式的字符串。 定义了变量% 为 xi。 例如， func='2*x1+3*x2' 表示这是一个优化问题% 两个变量。 % % [xbest,fit] = fodpso(func) % fit - 使用 xbest 解决方案返回 func 的优化值。 % % [xbest,fit] = fodpso(func,xmin) % xmin - xi 的最小值。 size(xmin,2)=xi 变量的数量。 默认% -100。 % % [xbest,fit]