基于粒子群优化算法(PSO)确定参数的脉冲欧和神经网络滤波方法。利用粒子群优化算法(PSO)确定pcnn图像滤波参数，对图像进行滤波(Based on Particle Swarm Optimization (PSO) to determine the parameters of the pulse in Europe and neural network filtering method. The use of particle swarm optimization (PSO) to determine PCNN parameters of image filtering, image filtering)

PSO与GA混合优化算法，可实现比单纯使用PSO或者GA算法更好的优化效果(PSO and GA hybrid optimization algorithm, can achieve more than a simple algorithm using PSO or GA optimization results better)

用PSO优化LSSVM的参数，得到最优参数，使得分类更加准确。(Using the PSO the LSSVM the parameter, the optimal parameters, more accurate classification. )

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.)

两个文件 主程序 微粒群优化的神经网络 子程序 适应度函数，可修改

论文研究-供水管网爆管故障诊断的PSO-SVM方法.pdf,  根据供水管网的实际水压监测数据, 采用粒子群算法优化反演管道的海曾-威廉斯系数, 并通过在管道中间加入虚节点来模拟爆管故障, 进而基于节点水压法建立了管网在爆管故障情况下的水力计算模型. 由计算模型计算出一组不同爆点、不同爆管程度组合下的监测点处的水压值, 以此反向训练支持向量机(SVM)模型, 并通过粒子群算法(PSO)对优化支持向量机模型的核参数, 建立了基于PSO-SVM方法的供水管网爆管诊断模型. 最后, 通过一个供水管网的室内实验模型验证了上述诊断模型的有效性.

内有工具箱，代码，报告。 1、掌握 PSO 工具箱的常用命令。 2、利用 Matlab 实现粒子群算法求解函数优化问题。 3、分析算法中各种参数变化对计算结果的影响。 1、打印程序清单。 2、绘制每代个体适应度值变化图，记录算法的最优解。 3、分析惯性权重的变换对求解性能的影响。 4、简要回答思考题。

针对Taylor算法进行TDOA定位时，其初始估计位置的误差易导致Taylor算法不收敛和定位精度差的问题，提出一种基于自然选择的线性递减权重粒子群优化（W-SPSO）与Taylor算法协同定位的方法。该方法先通过W-SPSO算法得到一个初始估计位置（x，y），再通过Taylor算法在（x，y）处进行迭代运算得到最终定位结果。不同噪声情况下的仿真结果显示：W-SPSO与Taylor算法协同定位方法对MS坐标估计值的均方差（RMSE）小于标准PSO（粒子群优化）、SelPSO（基于自然选择的粒子群优化算法）、W-SPSO、Taylor以及Chan五种算法的RMSE。因此，所提出的定位方法在保留了SelPSO算法求解精度和收敛性的基础上，同时提高了全局搜索能力，使其具有更高的定位精度和收敛性。

PSO算法原理及应用_唐俊

针对粒子群算法（Particle Swarm Optimization，PSO）易陷入局部极值的缺陷，提出了一种新的自适应惯性权重混沌PSO算法（a New Chaos Particle Swarm Optimization based on Adaptive Inertia Weight，CPSO-NAIW）。首先采用新的惯性权重自适应方法，很好地平衡粒子的搜索行为，减少算法陷入局部极值的概率，然后在算法陷入局部极值时，引入混沌优化策略，对群体极值位置进行调整，以使粒子搜索新的邻域和路径，增加算法摆脱局部极值的可能。最后，实验结果表明，CPSO-NAIW算法能有效避免陷入局部极值，提高算法性能。