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。

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;

基于PSO粒子群优化的PID控制器最优参数kp，ki，kd计算，matlab2021a中运行测试 function z=PSO_PID(x) assignin('base','Kp',x(1)); assignin('base','Ki',x(2)); assignin('base','Kd',x(3)); [t_time,x_state,y_out]=sim('PID_Model',[0,20]); z=y_out(end,1);

机器人路线规划仿真避障，matlab2021a仿真测试 %-粒子群的- global c1; %学习因子1 global c2; %学习因子2 global w; %惯性权重 global MaxDT; %最大迭代次数 global m; %搜索空间维数（未知数个数） global N; %初始化群体个体数目 global eps; %设置精度(在已知最小值时候用) global Kmax; %初始化x时用的最大迭代次数 global Qmax; %初始化x时粒子全部重新初始化用的最大迭代次数 global fitw1; %适应值函数中的两个权重 global fitw2; global pathta ; %移动的角度为60度 global psosued; %粒子群成功 global pathsued; %路径

PSO粒子群优化算法的改进仿真matlab2021a测试，带有收缩因子的微粒群算法

基于PSO粒子群优化的TSP问题仿真含GUI界面PSO参数可配置matlab2021a测试运行 function fitness=fitness(x,C,D) m=size(x,1); n=size(C,1); fitness=zeros(m,1); for i=1:m for j=1:n-1 fitness(i)=fitness(i)+D(x(i,j),x(i,j+1)); end fitness(i)=fitness(i)+D(x(i,1),x(i,n)); end

hslogic算法仿真-PSO粒子群优化算法——对多个函数进行最优值搜索

一个利用PSO粒子群优化算法训练BP神经网络的程序，在matlab环境中进行操作，代码简便可行。(The use of a PSO particle swarm optimization algorithm to train BP neural network procedures, operating in the MATLAB environment, the code is simple and feasible.)

基于Python实现的粒子群算法，上传上来方便大家交流学习，算法实现了最基础的粒子群算法，并附带简单的注释，大家可以根据自己的需要进行修改。粒子群算法是群智能一种，是基于对鸟群觅食行为的研究和模拟而来的。假设在鸟群觅食范围，只在一个地方有食物，所有鸟儿看不到食物（不知道食物的具体位置），但是能闻到食物的味道（能知道食物距离自己位置）。最好的策略就是结合自己的经验在距离鸟群中距离食物最近的区域搜索。