针对基于模版匹配的跟踪算法运行速度较慢、成功率较低的问题，提出了一种基于粒子群优化的模版匹配跟踪算法。该算法采用粒子群优化算法作为候选模版的搜索策略，并自适应的更新目标模版。首先，在设定的范围内随机采集多个候选模版，计算出个体最优样本和全局最优样本；其次，根据粒子群优化算法进行迭代求出最佳的候选模版；最后，自适应的更新目标模版。经过理论分析和实验仿真表明，与基于模版匹配的跟踪算法和基于粗精搜索的模版匹配跟踪算法相比，基于粒子群优化的模版匹配跟踪算法大大的减少了跟踪算法的计算量，使得该算法能产生很好的实时跟踪，并且跟踪的鲁棒性以及成功率都有很大的提高。

针对基本粒子群优化(Particle Swarm Opti mi zation,PSO)算法的不足,提出动态惯性权重粒子群优化算法,其惯性系数随算法进化而动态减少。仿真结果验证了该改进算法的有效性:算法的收敛速度比基本PSO算法的收敛速度快;同时,算法得到的最优解比基本PSO算法好。

CUDA平台加速粒子群优化算法（pso），自己实现，结构清晰，加速比可达到10倍左右，适合初学者，因为还有一定的优化空间。

离散粒子群优化算法及其应用.pdf

综合考虑我国应急管理实践、应急响应时间限制以及应急物资分配中的公平要求, 在三级应急物资运输网 络的基础上, 建立了以系统损失最小为目标的应急物资运输和分配决策模型. 针对模型的整数非线性规划的特点, 提 出了改进粒子群(PSO) 算法, 通过在不同维度上确定不同学习对象, 加强了粒子的空间搜索能力. 数值算例验证了模 型和算法的有效性.

针对光伏发电功率预测精度不高的问题，提出一种基于相似日和云自适应粒子群优化(CAPSO)算法优化Spiking神经网络(SNN)的发电功率预测模型。考虑到季节类型、天气类型和气象等主要影响因素，提出以综合相似度指标进行相似日选取；以SNN强大的计算能力和其善于处理时间序列问题的特点为基础，结合CAPSO算法搜索的随机性和稳定性优化SNN的多突触连接权值，减少对权值的约束，提高算法的收敛精度。根据某光伏电站的实测功率数据对所提模型进行测试和评估，结果表明，该模型比传统预测模型具有更高的预测精度和更好的适用性。

粒子群优化算法matlab实现，有具体示例，绝对通俗易懂，做遗传算法研究或者需要用到参数优化的同学可以看看，

改进的粒子群优化算法实现多目标智能组卷 对粒子群算法的又一改进

为提高无线传感器网络的节点定位精度,将惯性权重的粒子群优化算法应用到无线传感器网络节点定位中。定位方法以未知节点与其邻近锚节点之间的估计距离和测量距离的均方误差为适应度函数,采用基于惯性权重的粒子群优化算法对适应度函数进行优化,从而得到最优解,实现节点有效定位。仿真实验结果表明,与传统的最小二乘定位算法相比,基于惯性权重的粒子群优化算法的定位精度更高,稳定性更好,具有较好的定位效果。

采用启发式算法对微电网进行优化运行分析，采用粒子群优化算法