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。

粒子群算法的一种改进

跟随变异粒子扰动变化的惯性权重PSO算法 (2015年)

一种改进的PSO网格调度算法，胡金，杨长兴，任务调度是网格计算的重要组成部分，直接影响网格的性能。为了缩短任务的完成时间，有效保持网格资源的负载均衡，本文提出了一种

为提高BP神经网络的收敛速度和泛化能力，防止其陷入局部最优值，在前人工作基础上对传统粒子群算法进行了改进，具体包括：设定最大限制速度、改变惯性权重因子和改进适应度函数，并把改进粒子群算法应用于BP神经网络权值和阈值的优化。之后利用改进粒子群算法优化的BP神经网络实现对储层参数的动态预测，具体步骤为：确定神经网络的输入、输出神经元，定量化时间参数[T]，利用训练样本构建神经网络模型并进行检验。最后通过平均训练误差对仿真过程进行分析，结果表明改进PSO-BP算法的收敛性与泛化能力均优于BP算法和PSO-BP算法。

运用粒子群算法对ELM算法进行优化，以达到算法的最优性。

用粒子群算法求非线性方程组的解，非常简单，供初学者学习。 粒子群算法的典型应用，用delphi编程实现！！