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！！

基于改进PSO算法与未改进的PSO算法间的仿真结果对比，此文件中包含两种算法模式，使用的是matlab软件。

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。

粒子群算法寻优，在限定条件下实现对群体变量的选择优化，以达到目标的最优值。

基于matlab的粒子群pid控制仿真，备注很清晰，适合新手

粒子群优化算法（Particle Swarm Optimization，PSO）是进化计算的一个分支，是一种模拟自然界的生物活动的随机搜索算法。 PSO模拟了自然界鸟群捕食和鱼群捕食的过程。通过群体中的协作寻找到问题的全局最优解。它是1995年由美国学者Eberhart和Kennedy提出的，现在已经广泛应用于各种工程领域的优化问题之中。 ———————————————— 介绍链接：https://blog.csdn.net/qq_44186838/article/details/109212631

基于PSO-LSSVM的大地水准面拟合，师艳，剧成宇，大地水准面拟合是GPS高程研究的重点，可以使用支持向量机的回归功能。本文针对支持向量机存在的运算速度慢，且参数选取困难的问题