提出了一种基于改进的粒子群算法（PSO）的BP神经网络（BPNN）连接权重和网络结构优化方法。 对于每种网络结构，该算法都会生成一系列由连接权重和阈值组成的粒子，并根据改进的PSO算法选择最佳的网络结构。 由于PSO算法易于陷入局部最优，因此该算法引入了交叉算子和变异算子以提高跳过局部最优的能力。 结果表明，与基本的BP算法相比，改进后的PSO-BP算法具有更好的性能，并将该BPNN模型应用于成矿预测，并给出了详细的步骤。

基于改进粒子群算法的相机标定优化，陈甦欣，张晓峰，相机的标定精度直接决定了三维重构的效果.传统优化算法容易陷入局部最优，且误差大。为了提高相机标定的精度，将改进粒子群算法�

【优化调度】改进粒子群算法求解微电网优化调度问题matlab源码

摘要：内核极限学习机（KELM）通过将低维空间中的线性不可分离数据转换为线性可分离的数据，从而增强了ExtremeLearning Machine（ELM）的鲁棒性。 然而，ELM的内部功率参数是随机初始化的，导致算法不稳定。本文采用主动算子粒子游动优化算法（APSO）来获得KELM的最优初始参数集，从而创建了一个最优的KELM分类器名为APSO-KELM。 在标准遗传数据集上进行的实验表明，与现有的ELM，KELM相比，APSO-KELM具有更高的分类准确性，并且这些算法将PSO / APSO与ELM / KELM相结合，例如PSO-KELM，APSO-ELM，PSO-ELM等。 ， APSO-KELM具有良好的稳定性和收敛性，被证明是一种可靠有效的分类算法。

针对标准粒子群算法进行多峰函数优化时存在的易陷入局部极值和搜寻效率低的问题，提出了子种群划分和自适应惯性权重改进方法来求解多峰函数。根据群体微粒的相似度将粒子群分成子群体，各子群体围绕一个有最佳适应值的群体中心进行建立，并通过几个经典函数进行求解。实验表明：改进的粒子群算法能快速有效地找到多峰函数的全局最佳值。

在多峰值函数优化中,基本粒子群算法进化后期收敛速度较慢，对粒子群算法进行了改进

采用粒子群算法处理约束优化问题时，由于约束条件使得解空间成为非凸集合，粒子容易陷入局部最优。混沌变量具有随机遍历的特性，利用这一特性构造了一种随进化代数而退化的变异因子，给出了基于群体适应度方差进行退化混沌变异的粒子群算法，使算法摆脱后期易于陷入局部最优点的束缚，同时又保持前期搜索速度快的特性。通过对2个函数的测试，验证了该方法的可行性。

基于改进粒子群算法的永磁同步电机参数识别，陶之雨，张波，在工程应用中，针对提高永磁同步电机参数识别的准确度问题，提出了改进适应度函数的粒子群优化算法。首先建立了包含电流控制和空

基于改进粒子群算法的车间作业调度问题研究

改进粒子群算法求解TSP问题，盛景军，王勇，在运用粒子群算法求解TSP问题时，针对粒子迭代、速度不能简单地采用连续量的运算法则进行计算的特点，通过构造插入因子，定义插入