c1=1.4962; %学习因子1 c2=1.4962; %学习因子2 w=0.7298; %惯性权重 MaxDT=20; %最大迭代次数-------k次迭代 D=12; %搜索空间维数（未知数个数）-----D维空间 N=100; %初始化群体个体数目--------m个粒子 eps=10^(-6); %设置精度(在已知最小值时候用)

基于PSO优化的BP网络的数据预测仿真，matlab2021a测试通过

标准粒子群优化算法，单目标，基于粒子群算法PSO的函数极值寻优

与我之前提交的两篇文章非常相似。 这只是为了给我的学生提供一个更多的演示。 假设系统的阶跃响应以及参数化的传递函数是已知的。 然后使用 PSO 和 .slx 模型（第一种情况）或参数化时间响应（第二种情况）识别参数。 第二种方法似乎要快得多。

Pso算法优化Bp神经网络的程序 欢迎下载

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

1 原理 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。 利用粒子群算法解决实际问题本质上就是利用粒子群算法求解函数的最值。因此需要事先把实际问题抽象为一个数学函数，称之为适应度函数。在粒子群算法中，每只鸟都可以看成是问题的一个解，这里我们通常把鸟称之为粒子，每个粒子都拥有： 位置，可以理解函数的自变量的值； 经验，也即是自身经历过的距离食物最近的位置； 速度，可以理解为自变量的变化

目标函数为 function fit=fitness1(x) fit=1-exp(-(x(1)-1)^2-(x(2)+1)^2); 和 function fit=fitness2(x) fit=1-exp(-(x(1)+1)^2-(x(2)-1)^2); 程序运行的时候会出现速度最后非常非常小，所有粒子全聚集到一起 约束问题如何解决 每个粒子的最优解，是不是需要约束的限制 整个粒子的最优解是不是也需要约束的限制 粒子过分集中，如何将粒子打散

双目标优化，优化函数为： function fitness1=f1(x) format long; fitness1=x(1); %测试函SCH return 和 function fitness2=f2(x) format long; n=30; s=0; for i=2 :n s=s+x(i); end gx=1+9*s/(n-1); fitness2=gx*(1-sqrt(x(1)/gx)); %测试函SCH return

1.里面有一片类似的轴承故障诊断论文 2.计算了VMD的能量熵和样本熵 3.做了多种数据集，包括单特征和多特征pca归一化 4.利用了粒子群算法优化SVM参数 5.python代码齐全