针对视觉伺服机器人对机动目标的跟踪问题，将当前统计模型（CS）引入IMM算法，与匀速模型（CV）组成模型集。在Matlab上对当前统计IMM算法和基本IMM算法进行仿真比较，结果表明当前统计IMMS算法跟踪机动目标的性能好于基本IMM算法，具有很好的收敛性和稳定性，提高了视觉伺服机器人对目标跟踪的准确性和快速性。

为优化某隧道工程中盾构刀盘的掘进性能,在研究滚刀布置规律的基础上,校核了刀盘的力学性能,最后利用遗传算法对滚刀的布置进行了改进优化。研究结果表明:优化后刀盘的径向不平衡力降低了61.22%,倾覆力矩降低了87.49%,破岩量方差降低了9.8%,达到了较好的优化效果,为刀盘刀具的合理布置提供了理论依据,对提高刀盘的受力性能和刀具的使用寿命具有重要的科学意义与工程价值。

matlab代码粒子群算法ODEm（使用Matlab的最佳设计实验） ODEm（使用Matlab进行最佳设计实验）是使用Matlab开发的用于计算最佳设计实验的程序。 该程序包括启发式算法，例如粒子群优化（PSO），模拟退火（SA），遗传算法（GA），精确方法，例如内部点方法（IP），有效集方法（AS），顺序二次规划（SQP） ，Nelder Mead（NM）以及精确和启发式方法的杂交。 使用Windows安装程序 您可以在中找到安装程序。 该工具将在您的计算机中安装ODEm作为附件。 如果是第一次安装该应用程序，则将要从Internet下载并安装MATLAB Runtime库（大约500 MB）。 这可能需要几分钟，具体取决于连接的质量。 先决条件 A Windows Operating System. 将问题数据恢复为默认值 如果您使用的是Windows安装程序，并且要将问题数据恢复为默认值，则需要删除Matlab缓存。 要完成此任务，您需要进入目录C：\ Users \“您的计算机用户” \ AppData \ Local \ Temp \“您的计算机用户” \ mcrCache

matlab 粒子群算法做规划，做14节点的潮流计算算法

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

遗传算法TSP_CUDA 一种遗传算法，可使用CUDA体系结构（GPU）为TSP（旅行商问题）找到最佳解决方案。 这是我在USF进行的并行和分布式处理课程的最后一个项目，与Berkeley在2015年Spring发布的“并行计算机的应用程序”一起完成的。该项目的目的是使自己熟悉遗传算法的设计和实现，重点是学习如何在CUDA架构以及C ++的OpenMP库上编写并行代码。 概述： 该项目将在德克萨斯大学奥斯汀分校的Stampede.tacc超级计算机上运行。 该代码在踩踏群集的单个节点上运行，此刻使用Nvidia的CUDA调用单个GPU。 在CUDA中，执行内核（GPU功能），并由块和线程组成。 每个块最多可以有1024个线程，每个内核可以有〜65000个块。 我设计了一种算法，以便在每个GPU上创建一个填充，该填充由启动内核的NTHREADS * NBLOCKS组成。 例如，在一个流行

针对无线传感网络中数据融合需求的多样性，提出了一种新的簇内数据融合方法。该方法基于信息熵可反映节点数据分布的统计特性，首先对节点内数据并查集的信息熵进行最大寻优、自动确定融合的上下限阈值，完成节点局部数据融合；同时考虑簇内信息分布的空间特性，对簇内二维信息熵进行最大寻优，并由此确定簇内数据融合的阈值、实现冗余数据过滤；最后就该方法与传统的数据融合策略进行了仿真比较。实验结果验证了该方法简单，可有效实现全局数据融合，显著降低节点能耗。

提出在支持向量机回归预测中采用粒子群算法优化参数和主成分析降维的方法，通过算例分析表明，此法能够显著提高预测的精度。

交叉概率和变异概率能够随适应度自动改变。

粒子群算法工具箱，效率不错，基于matlab编写，找了好久才下的。