粒子群算法，也称粒子群优化算法（Particle Swarm Optimization），缩写为 PSO， 是近年来发展起来的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。 BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。(Particle swarm optimization, also known as particle swarm optimization (Particle Swarm Optimization), abbreviated as PSO, is a new evolutionary algorithm developed in recent years (Evolutionary Algorithm- EA). Kind, and simulated annealing algorithm PSO algorithm is similar evolutionary algorithms, it is also starting a random solution, through an iterative search for the optimal solution, which is also used to uate the quality through fitness solution, but it is simpler than genetic algorithm rules It has no genetic algorithm " crossover" (Crossover) and " variant" (Mutation) operation, which by following the current search to find the optimal value to the global optimum. This algorithm is its easy implementation, high accuracy, fast convergence, etc. attracted academic attention and show its superiority in solving practical problems. PSO algorithm is a parallel algorithm. BP (Back Propagation) neural network is a 1986 team of scientists headed by Rumelhart and McC)

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。

针对传统PID控制系统参数整定过程存在的在线整定困难和控制品质不理想等问题，结合BP神经网络自学习和自适应能力强等特点，提出采用BP神经网络优化PID控制器参数。其次，为了加快BP神经网络学习收敛速度，防止其陷入局部极小点，提出采用粒子群优化算法来优化BP神经网络的连接权值矩阵。最后，给出了PSO-BP算法整定优化PID控制器参数的详细步骤和流程图，并通过一个PID控制系统的仿真实例来验证本文所提算法的有效性。仿真结果证明了本文所提方法在控制品质方面优于其它三种常规整定方法。

PSO优化BP的算法代码

基于粒子群PSO算法的神经网络PID算法的实现程序

基于灰关联的PSO-BP神经网络的高层住宅造价估算.pdf

这是一个pso优化bp神经网络的预测算法，可用亲测

论文中的源代码，用的MATLAB 使用PSO-BP对于铁水温度的预测，修改数据直接可以运行

针对电动汽车应用的50AH磷酸铁锂电池荷电状态(state of charge，SOC)估算不准的难题，在原有BP神经网络的基础上引入改进的PS0算法加以优化，优化了BP神经网络的权值和阈值，并把优化后的网络用于SOC预测，减小了SOC估算的误差．本文以50AH的磷酸铁锂电池为研究对象，首先在粒子群算法(particle swarm optimization，PSO)中引入了变异算子改进了PS0搜索精度较低、后期迭代效率不高等缺点，然后通过实验分析了电压、电流、温度3个主要参数与SOC的关系，利用放电实验

完整的粒子群优化神经网络代码，代入数据就可以运行