为改进工作面煤矿瓦斯涌出浓度的预测精度,基于深度学习网络、SVM和粒子群(PSO)优化算法的原理,建立1种深度学习网络与粒子群优化SVM神经网络耦合的混合算法模型,该算法首先基于深度学习理论学习样本数据较深层次的特征,提取出较少个用来表征原始数据的特征量变量,对特征变量建立PSO-SVM预测模型进行瓦斯涌出浓度预测,通过工作面现场采集的数据进行仿真实验,实验结果表明该方法使预测精度较对原始数据直接进行PSO-SVM预测得到较大的提升,同时实现了原始数据的降维,减少了算法的运行时间,提高了算法效率。

PySwarms是用于Python中的粒子群优化（PSO）的可扩展研究工具包。 它适合希望在问题中实施PSO的高层声明接口的群体情报研究人员，从业人员和学生。 PySwarms启用了PSO的基本优化以及与群体优化的交互。 在下面查看更多功能！ 免费软件： MIT许可证 文档： : 。 Python版本： 3.5及更高版本 产品特点 用于粒子群优化的高级模块。 有关所有优化器的列表，请单击。 内置目标函数以测试优化算法。 成本历史和粒子运动的绘图环境。 超参数搜索工具可优化群体行为。 （针对开发人员和研究人员）：高度可扩展的API，用于实现您自己的技术。 安装 要安装PySwarms，请在终端中运行以下命令： $ pip install pyswarms 这是安装PySwarms的首选方法，因为它将始终安装最新的稳定版本。 如果您想安装最新版本，请克隆此仓库： $ git clone -b development https://github.com/ljvmiranda921/pyswarms.git 然后运行 $ cd pyswarms $ python s

粒子群算法与神经网络的结合，加快神经网络的训练时间，避免陷入局部极值

matlab代码粒子群算法鲁棒粒子群优化RPSO 这是国防科学技术大学数学与系统科学系的博士生罗强写的一种用于RPSO的简单Matlab算法。 它对任何学术用户都是免费的，但是请注意，不能保证没有错误。 热烈欢迎对这种算法的理论或应用进行任何讨论。 如果您使用此代码，请引用以下文章： 罗强东怡鲁棒粒子群优化的共同发展框架。 应用数学与计算，2008，199（2）：611-622。 如何使用？ 核心算法在PSOed200.m中编码，从而最大程度地减少了给定的目标函数。 在此程序中已开发了四个算法（SPSO，LPSO，FPSP，RPSO），可以通过指定不同的AlgPara来调用。 myFun.m中已实现了许多目标功能。 如果要在程序中包含自己的目标函数，请简单地尝试将函数的代码添加到myFun.m中，作为“开关”的另一个“例”。 主要算法在runPSO.m中，其中显示了如何调用PSOed200的函数。 只需使用不同的参数调用PSOed200.m。 对应的电子邮件：

智能优化算法： 粒子群优化算法（PSO）应用于神经网络优化程序。分为无隐含层、一隐含层、二隐含层。运行DemoTrainPSO.m即可

投影寻踪聚类分析是根据设计的投影指标函数，并在相关约束条件下进行问题优化分析的过程.给出了用于求解投影指标函数的粒子群算法，并将构造的模型应用于森林承载力评价.仿真实验结果表明：与基于遗传算法优化的模型比较，基于粒子群优化的模型简单、容易实现并且没有许多参数需要调整；在应用上，基于粒子群优化的模型可获得更优的解，并可预计模型在森林承载力评价中具有重要的应用价值.

变邻域搜索算法matlab代码解决工程优化问题 粒子群优化 1.简介 粒子群优化（PSO）是一种计算方法，它通过反复尝试针对给定的质量度量来改进候选解决方案来优化问题。 它通过拥有一组候选解（粒子）并根据粒子位置和速度上的简单数学公式在搜索空间中移动这些粒子来解决问题。 每个粒子的运动都受其本地最知名位置的影响，但也被引导向搜索空间中最知名的位置，这些位置会随着其他粒子找到更好的位置而更新。 可以预期这将朝着最佳解决方案迈进。 在这项研究中，存在四个用PSO解决的工程优化问题。 在此存储库中共享MATLAB算法和代码实现。 如图1所示。 x表示粒子的位置。 这些是我们在搜索领域的解决方案。 然后图中的箭头是每个粒子的速度。 2.算法 PSO模拟了鸟群的行为。 假设以下情况：一群鸟在一个区域中随机寻找食物。 被搜索的地区只有一种食物。 所有的鸟都不知道食物在哪里。 但是他们知道每次迭代中的食物有多远。 那么，找到食物的最佳策略是什么？ 有效的方法是跟随最接近食物的鸟。 PSO从方案中学习并用于解决优化问题。 在PSO中，每个解决方案都是搜索空间中的“鸟”。 我们称其为“粒子”。 所有粒子

【优化求解】基于竞争学习的粒子群优化算法(CLPSO) matlab源码.md

针对振荡问题，在工业控制系统中，电机与负载之间一般都是通过传动轴、齿轮或者联轴器等传动机构进行连接，然而传动机构有一定的刚度系数，并不是完全刚性的，因此电机和负载之间存在柔性传动，即“末端振荡”。永磁驱动控制系统机械谐振抑制的综合设计是电机驱动领域的关键共性技术，对于提升永磁电机控制系统动态响应品质、提高系统安全性具有十分重要的意义。本文提出了一种基于智能算法的共振抑制方法，可有效解决陷波器由于参数耦合导致难以整定的问题，解决了伺服系统中多轴共振问题，既发挥了粒子群优化算法的优化计算能力，又体现了陷波滤波器有效滤除谐波的优点，将二者融合起来，有效消除了永磁同步伺服电机的共振谐波，抑制伺服共振现象。

在求解多目标优化问题时,针对粒子群优化算法容易陷入局部极值的现象,提出了一种组合粒子群和差分进化的多目标优化算法,使用粒子群优化算法和差分进化算法共同产生新粒子,通过一个判断因子控制两种算法的使用比例,并对粒子群优化算法的速度更新公式进行了改变,以提高搜索效率。通过三个测试函数进行了仿真,并同NSGA-Ⅱ、MOPSO-CD进行了比较。实验结果表明改进算法求得的Pareto解集收敛性和多样性好,并且算法稳定性高,运行速度快。