利用BP神经网络优化PID控制器参数，实现在线整定，达到最优化。

pso.m是主程序，pso-pid是适应值函数， 粒子群优化PID 粒子群算法，也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization）。思想源于对鸟/鱼群捕食行为的研究，模拟鸟集群飞行觅食的行为。 粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟，每个粒子有两个属性：位置和速度； 每个粒子在搜索空间中单独的搜寻最优解，通过适应度函数确定适应值来评价当前位置的好坏，并记录最优解。

GA-BP VS BP-遗传算法在哪优化了BP神经网络？附实验数据和代码

基于MATLAB编程，用长短期神经网络LSTM进行碳排放量预测，碳排放是一种时间序列的数据，用LSTM比一般神经网络更适合，代码完整，包含数据，有注释，方便扩展应用 1，如有疑问，不会运行，可以私信, 2，需要创新，或者修改可以扫描二维码联系博主, 3，本科及本科以上可以下载应用或者扩展， 4，内容不完全匹配要求或需求，可以联系博主扩展。

运用LOGWARE4．0软件中的“COG”模块对仓库选址进 行精确重心法求解。实验结果如图2所示。实验表明，从25 次迭代以后，运算结果保持不变。因此 ，该仓库的地址为 = 6．298，Y=6．484，运输成本为55 015 057．44美元。 图2 运用精确重心法求解仓库选址问题的结果 4．1．3 粒子群算法求解实例结果 采 用 MATLAB7进 行 算 法 编 程 ，在 Intel Core2 Duo CPU T7100 1．80 GHz的计算机上进行计算。经过多次实验， 最终确定粒子群算法的各项参数 ：种群规模 m=25，惯性权重 CO=0．2，学习因子 c，=c，=1．5，迭代次数 gmax=30。 经过一次计算机实验 ，得到的初始种群如图3所示，经过 3O次迭代，种群的平均适应度和最优适应度的变化情况如图4

基于BP神经网络回归预测,多变量输入单输出模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

「18基于遗传算法(粒子群算法、人工鱼群算法等)的投影寻踪模型MATLAB源代码」.pdf「18基于遗传算法(粒子群算法、人工鱼群算法等)的投影寻踪模型MATLAB源代码」.pdf「18基于遗传算法(粒子群算法、人工鱼群算法等)的投影寻踪模型MATLAB源代码」.pdf「18基于遗传算法(粒子群算法、人工鱼群算法等)的投影寻踪模型MATLAB源代码」.pdf「18基于遗传算法(粒子群算法、人工鱼群算法等)的投影寻踪模型MATLAB源代码」.pdf「18基于遗传算法(粒子群算法、人工鱼群算法等)的投影寻踪模型MATLAB源代码」.pdf「18基于遗传算法(粒子群算法、人工鱼群算法等)的投影寻踪模型MATLAB源代码」.pdf「18基于遗传算法(粒子群算法、人工鱼群算法等)的投影寻踪模型MATLAB源代码」.pdf

classification_BPNeuralNetwork 本文介绍了通过Python实现BP神经网络分类算法，对不同半径的圆进行多分类（3分类），特征即为圆的半径。 输入层12节点，一个6节点的隐藏层，输出层3个节点。 1.目标 通过BP算法实现对不同半径的圆的分类。 2.开发环境 IDE：PyCharm 2018.3.3(Community Edition) Python及相关库的版本号如下图所示： 3.准备数据 目的： 生成3类圆在第一象限内的坐标（圆心都是原点） 第1类：半径范围为110，分类标识为‘0’ 第2类：半径范围为1020，分类标识为‘1’ 第3类：半径范围为20~30，分类标识为‘2’ 代码如下：data_generate.py import numpy as np import math import random import csv # 只生成第一象限内的坐标即

粒子群算法(PSO)优化长短期记忆神经网络的数据回归预测，PSO-LSTM回归预测，多输入单输出模型 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于粒子群算法优化长短期记忆网络(PSO-LSTM)的时间序列预测。 优化参数为学习率，隐藏层节点个数，正则化参数，要求2018b及以上版本，matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。