摘要：内核极限学习机（KELM）通过将低维空间中的线性不可分离数据转换为线性可分离的数据，从而增强了ExtremeLearning Machine（ELM）的鲁棒性。 然而，ELM的内部功率参数是随机初始化的，导致算法不稳定。本文采用主动算子粒子游动优化算法（APSO）来获得KELM的最优初始参数集，从而创建了一个最优的KELM分类器名为APSO-KELM。 在标准遗传数据集上进行的实验表明，与现有的ELM，KELM相比，APSO-KELM具有更高的分类准确性，并且这些算法将PSO / APSO与ELM / KELM相结合，例如PSO-KELM，APSO-ELM，PSO-ELM等。 ， APSO-KELM具有良好的稳定性和收敛性，被证明是一种可靠有效的分类算法。

针对目前城市场景下车载自组织网络中的 RSU 部署问题，提出了一种基于连接时长的 RSU 部署方案。该方案在RSU数量受限的情况下，以保证通信连接时长为前提，以最大化服务车辆数目为目的，将部署问题建模成最大覆盖问题，设计了二进制粒子群算法进行求解，并结合真实的北京市路网地图和出租车 GPS数据进行仿真实验。仿真结果表明，该算法是收敛、稳定及可行的，相比贪心算法，该算法求得的部署方案能为更多的车辆提供持续性的网络服务。

粒子群算法（PSO）的PPT

针对认知无线电中空闲频谱资源的最优分配问题，分别采用了遗传算法和粒子群算法进行求解。该代码是利用遗传算法和粒子群算法求解该问题的matlab仿真代码。

基于粒子群算法的MPPT跟踪

粒子群算法的Python实现。除此之外，还有这些算法的集合：差分进化算法、遗传算法、粒子群算法、模拟退火算法、蚁群算法、免疫优化算法、鱼群算法

在考虑物流网络宏观决策部门和客户双方利益的基础上,建立物流配送中心双层规划的选址模型.此类问题大多属于非凸优化问题,现有的求解算法存在算法复杂度及计算效率问题.基于进化博弈及多目标优化非支配排序的思想设计层次粒子群算法,通过两个粒子群算法的交互迭代求解物流配送中心双层规划选址问题.通过测试算例验证算法的有效性.

建立了储能的成本模型，包含运行维护成本以及容量配置成本，然后以该成本函数最小为目标函数，经过粒子群算法求解出其最优运行计划，并通过其运行计划最终确定储能容量配置的大小，求解采用的是PSO算法（粒子群算法），求解效果极佳；仿真平台：MATLAB 平台采用粒子群实现求解

粒子群优化算法的核心思想是每个粒子根据自己和周围粒子的“信息共享”寻优，达到全空间搜索最优解的目的。收敛速度快，全局寻优能力强。针对基本粒子群算法寻优精度较低，结果易发散的缺点，提出了一种参数自适应调整和边界条件约束的粒子群算法，惯性权重，学习因子随着迭代过程线性递加或递减，从而在算法初期个体能搜索整个空间，后期能够朝着全局最优值收敛而找到全局最优值。同时设置粒子边界条件约束，保证算法寻优解的准确性。理论分析和数值仿真结果表明了所设计方法的高效性，在保证算法效率的前提下，有效地提高了算法的寻优精度。

matlab代码粒子群算法WRM的手稿中的代码 “用于串联水库优化配水的分解和动态规划聚合方法”中的代码 分解和动态规划聚合方法的代码，遗传算法和粒子群优化算法的代码可在“算法代码”目录中找到。 在本文中，图1至图3是在Adobe Photoshop中手动制作的。 图4是在Matlab中制作的，其代码可以在“图代码”目录中找到。 可以在“求解结果”目录中找到详细的结果，包括使用不同方法获得的系统的操作过程以及使用算法参数的不同设置来求解GA或PSO的结果。