基于matlab的基本粒子群优化算法，可应用与最优潮流计算等，可供参考

摘要本文提出了一种行人混合疏散的系统-个体目标驱动进化模型。 系统级和个人级需求的宏观目标都可以通过使用进化算法来同时进行优化。

论文研究-灰色多变量GM(1,Nγ\,r)模型及其粒子群优化算法.pdf,  针对少信息多变量且输入与输出具有滞后性的控制系统,提出了灰色多变量延迟GM模型, 给出了其参数估计形式和近似时间响应式,得到了它的两个派生模型. 为了确定非线性次数的值以使预测精度最高,又建立了以均方误差为目标的优化问题, 并采用粒子群算法寻优.最后将新模型应用于武汉地区科技投入与产出的预测之中,实践表明该模型具有较高的精度.

基于粒子群优化的NLOS环境的节点定位算法，文恬，余小平，无线传感网络的非视距NLOS(Non-line-of-sight)环境是影响测距定位精度的重要因素，提出了基于粒子群优化PSO(Particle Swarm Optimization)的NLOS环境�

期末大作业题目 1.结合所学相关内容，研究撰写一篇关于云计算资源分配策略或任务调度或资源使用预测算法的论文。要求扩展云计算仿真器CloudSim或其它仿真软件设计实现该算法，并进行仿真实验测试和分析该算法/策略的性能。也可以是将云计算技术应用于自己感兴趣研究方向为主题的研究论文。论文撰写格式要求以《软件学报》的投稿要求为模板。 摘 要: 粒子群优化（PSO）算法思想来源于人工生命和演化进化论。PSO 通过粒子追随自 己找到的最优解和整个群体的最优解来完成优化，群体中每一个粒子代表问题的一个候选解， 属于一类启发式随机全局优化技术。PSO 的优势在于简单又功能强大。本文将使用云计算仿 真器 CloudSim 实现 PSO 完成任务调度以及改进算法评估性能。 关键词: 粒子群;优化;进化论;CloudSim 中图法分类号: Particle swarm optimization algorithm and improved implementation CHEN Jia-Le1 1(School of Computer Science and Software, Shenzhen University, Shenzhen 518000, China) Abstract: The idea of particle swarm optimization (PSO) comes from artificial life and evolutionary theory. Particle swarm optimization (PSO) is a heuristic stochastic global optimization technique, in which each particle represents a candidate solution of the problem. The advantage of PSO is simple and powerful. In this paper, we will use the cloud computing simulator cloudsim to implement PSO to complete task scheduling and improve the algorithm to evaluate performance. Key words: particle swarm; optimization; evolutionism; CloudSim;

利用粒子群优化算法对MATLAB＼SIMULINK 中的PID控制模型进行参数优化，找出全局最优解和全局最优成本。

svm支持向量机例程，利用pso粒子群算法优化了c,g参数。葡萄酒数据分类例程，matlab

针对模糊C均值聚类算法(FCM)存在对初始聚类中心敏感，易陷入局部最优解的不足，将改进的粒子群聚类算法与FCM算法相结合，提出了一种基于粒子群优化的模糊C均值聚类算法。该算法对粒子群初始化空间及粒子移动最大速度进行优化，同时引入环形拓扑结构邻域，提高粒子群聚类算法的全局搜索能力。对UCI中3个数据集进行仿真实验，结果表明提出的基于粒子群优化的模糊C均值聚类算法相比FCM算法和基本粒子群聚类算法具有更好的聚类效率和准确性。

本课题是在BP神经网络温度预测的基础上进行优化，加入PSO算法，结果中R^2、MSE等参量明显比BP神经网络单独预测效果好的许多。

粒子群优化SVM系数，matlab源代码，可以使用