基于遗传算法和粒子群优化算法的信道分配研究，文中介绍遗传算法和粒子群算法各自的优缺点，并进行结合算法进行信道分配

提出一种利用粒子群优化算法进行在线寻优的自适应控制算法, 该方法可抑制极限环的振荡幅值. 应用极
值搜索控制的思想, 在线测量极限环的振荡幅度, 并将其作为优化目标, 利用粒子群优化算法寻找最优控制量, 使得
极限环的振荡幅值最小. 针对粒子群优化和极限环控制的特点, 提出一种加快收敛的算法. 数值实验表明, 提出的算
法不仅与传统基于摄动方法的极值搜索控制性能相当, 而且可对非凸和不光滑目标函数进行在线寻优, 鲁棒性更强.

为了实现微型足球机器人的平滑最优路径规划，提出了一种结合Ferguson样条路径描述和改进粒子群优化算法的路径规划方法。利用Ferguson样条描述移动机器人路径，将路径规划问题转化为三次样条曲线的参数优化问题，借助改进的具有速度变异的粒子群算法进行路径优化。仿真实验表明，算法可以有效进行障碍环境下机器人的无碰撞路径规划，改进的粒子群算法进行路径优化迭代80次左右即可收敛，规划路径平滑、合理，有一定的实用价值。

这是一个关于多目标粒子群算法，很有用，代码通用性强 这是一个关于多目标粒子群算法，很有用，代码通用性强 这是一个关于多目标粒子群算法，很有用，代码通用性强 这是一个关于多目标粒子群算法，很有用，代码通用性强

为了进一步提高量子行为粒子群优化(QPSO) 算法的全局收敛性能, 有效改善算法中存在的粒子早熟问题,提出一种基于完全学习策略的改进QPSO 算法(CLQPSO). 该学习策略改变了QPSO 中局部吸引子的更新方式, 充分利用了种群的社会信息. 采用8 个测试函数对算法性能进行比较分析. 实验结果表明, 所提出的改进算法不仅收敛速度快, 而且全局收敛能力好, 收敛精度优于PSO 算法和QPSO 算法.

运用粒子群算法实现对几种测试函数最优解的搜寻，可对算法进行改进，提升算法的寻优性能。 粒子群算法几种改进方法： 1.权重改进：非线性权重、自适应权重等。 2.学习因子：学子因子动态调整 3.速度更新改进 4.加入新算子等等。

通过研究电力负荷预测中支持向量机的参数优化问题，将改进后新的粒子群算法导入支持向量机参数中，从而建立一种新的电力负荷预测模型（IPSO-SVM）。首先将支持向量机参数编码为粒子初始位置向量，然后通过对粒子个体之间信息交流、协作的分析找到支持向量机的最优参数，并针对标准粒子群算法的缺陷进行一定的改进，从而应用于电力负荷的建模与预测，最后通过仿真对比实验来测试它的性能。实验结果表明，这种新的电力负荷预测模型能够获得较高精度的电力负荷预测结果，大大减少了训练时间，能够满足电力负荷在线预测要求。

针对煤矿回采工作面瓦斯涌出的非线性特征,提出一种基于改进量子粒子群优化BP神经网络(IQPSO-BP)的瓦斯涌出量预测方法。鉴于量子粒子群算法的遍历能力有限,采用混沌序列来初始化量子的初始角位置。同时,采用凸函数调整惯性权重,以平衡算法的全局勘探和局部开发能力。并依此来优化BP神经网络的权值、阈值参数,进而建立了瓦斯涌出量预测模型。试验结果表明,IQPSO-BP算法具有较强的泛化能力及较高的预测精度,可有效用于煤矿瓦斯涌出量的预测。

为有效避免粒子群优化算法后期收敛速度慢的问题，提高寻优能力，设计了一种以自适应方式更新粒子飞行速度的弹性粒子群优化算法，建立了水电优化调度数学模型，提出了弹性粒子群优化算法解决水电优化调度问题的实现方法，包括粒子编码设计、适应度函数设计以及弹性修正值设计，并编制了基于Matlab语言的优化程序．实例仿真结果表明：弹性粒子群优化算法是有效的；相比基本粒子群优化算法和自适应粒子群优化算法，弹性粒子群优化算法求解水电优化调度问题具有更强的全局寻优能力和更快的收敛速度．

其中关于PSO部分的书写，已经进行了封装，可以进行通用，用于其他模型的优化。该资源实例主要用于优化支持向量机回归算法中的惩罚参数C、损失函数epsilon、核系数gamma进行调参