遗传算法中的交叉和变异思想恰好能应用到此处，比如说个体粒子先和个体最优交叉产生一个新的粒子，当然这里如果新产生的粒子没有原来粒子好，我们就舍弃这个新的粒子；与个体最优交叉完后，新的粒子还需与群体最优交叉，同样如果新产生的粒子没有原来粒子好，我们就舍弃这个新的粒子；交叉操作结束后，对新的粒子进行变异操作，同样如果新产生的粒子没有原来粒子好，我们就舍弃这个新的粒子。一直重复上述操作直至循环结束，最终输出群体最优粒子就是搜索过程中搜索到的最优粒子。

为了改善粒子群算法的优化性能，解决阵列天线波束赋形关于离散的优化问题处理不佳、容易陷入局部最优的问.题，提出了一种新型的粒子群算法。该算法基于基本粒子群算法，引入控制因子和遗传算法的交叉变异机制，并 应 用 于 八.单元偶极子圆环阵列天线。仿真结果表明，新型粒子群算法收敛速度快、精度高。

基于matlab的带罚函数的自适应粒子群算法+含代码操作演示视频

焊接机器人在工业上被广泛应用,焊接的任务规划直接关系到制造效率的提高.点焊机器人路径规划在仅考虑路径长度时可以简化为焊接顺序的优化问题,即旅行商问题.考虑到旅行商问题是NP完全问题,且是离散问题,提出一种结合莱维飞行的粒子群算法并对其进行离散化以求解此类路径优化问题.焊接机器人路径规划仿真结果验证了所提出方案的合理性和可行性.

1.python程序 2.可直接运行，有数据集

基于PSO粒子群优化算法的车间调度matlab仿真程序最后输出调度结果以及甘特图，matlab2021a测试。

通过新一代高级语言Julia实现标准粒子群算法，代码简洁，注释全，可拓展性强 可直接用于求解无约束工程优化问题，也可基于此代码进行算法学术改进，算法应用拓展 输入：决策变量数，种群规模，粒子群算法参数，最大迭代次数 输出：最优解，最优适应度，测试问题三维描述图，动态粒子群更迭图，收敛迭代图

本文档包含main.m,pso.m,schaffer2.m文件，能够直接用于无约束优化问题求解，可在此基础上，对标准算法进行学术改进，和工程应用拓展。 该算法思路清晰，算法精简，注释全，可拓展性强。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

本资源采用了改进的遗传算法，进行，具体改进如下： 与传统的交叉和变异的遗传方式不同，这里提出一种改进遗传操作。具体步骤是设定一个变异概率p ，如图1所示，先在染色体中随机选择一个点G1，如G1=34。产生一个随机小数，若小于p，则第二个点G2来自同一个个体的另外一个任意点，如G2=52，然后点G1和G2之间的部分被倒置；若随机小数大于p，则从种群中任意再选择一个个体，找出G1=34在该个体中，上一个位置的点，如下一个点G3=3，则回到原来的个体，点34到3之间被倒置。这种遗传的思路在于，它能尽量利用种群中获得的信息，来指引个体的变异或者导致操作，最后使得遗传算子比较高效。