PSO：GPSO＆LPSO的实现

粒子群优化 (PSO) 是一种现代启发式算法，可应用于连续和离散优化问题。 原始的二元粒子群算法（BPSO）有一些缺点，使得算法不能很好地收敛。 为了解决这些缺点，引入了新的 BPSO（NBPSO）。 休耕论文中提供的结果显示了 NBPSO 的优越性。 [1]。 M.Rostami Shahrbabak 和 H.Nezamabadi-pour，“二元 PSO 算法的新方法”第 14 届伊朗电气工程会议，2006 年 5 月。 [2]。 H.Nezamabadi-pour、M.Rostami Shahrbabaki 和 M.Maghfoori Farsangi “二元粒子群优化：挑战和新解决方案"CSI Journal on Computer Science and Engineering Vol. 6, No. 1 (a), 2008.

针对非线性系统,提出了一种基于BP神经网络的预测控制方法。以BP神经网络建立多步预测模型并预测系统输出值,用LM(Levenberg-Marquardt)算法和PSO(Particle Swarm Optimization)算法组合的混合算法对目标性能指标函数进行滚动优化求解,得到非线性系统的最优控制量;利用误差修正参考输入法实现反馈矫正。通过将粒子群算法引入LM算法,克服了LM算法依赖初值和粒子群算法过早收敛于局部极值的问题,提高了求解的运行速度和精确度。通过对单变量非线性系统仿真实验,证明了该控制系统具有良好的稳定性、自适应性和鲁棒性。该方法可在数学模型不确定的情况下设计出有效的预测控制器。

粒子群算法（particle swarm optimization）例程

PSO MLP MLP神经网络的粒子群优化 这是一个正在进行的工作 安装依赖项 pip install -r requirements.txt 运行测试 py.test -rA

有关更多信息，请参阅以下链接： http://yarpiz.com/64/ypml101-evolutionary-clustering

PSO 算法解决 TSP 优化问题 可执行程序+实验报告

包含了遗传算法、模拟褪火算法、免疫算法、神经网络、粒子群算法、蜂群算法等7种算法，详细的PDF文档原理介绍及matlab源码实例

PSO粒子群算法优化神经网络，针对bp神经网络容易陷入局部极小，收敛速度慢的缺点，利用pso优化神经网络，提高了网络的泛化能力。

包含最基础的de差分进化算法，pso粒子群优化算法，以及fmincon（）等函数中最常用的内点法