为了改善差分进化粒子群算法的局部搜索能力和收敛速度，提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化，并且将混沌变异操作引入其中，加强算法的局部搜索能力。通过对三个标准函数进行测试，仿真结果表明该算法与DEPSO算法相比，全局搜索能力、抗早熟收敛性能及收敛速度大大提高。

FIR低通滤波器具有设计简单，易于实现的优点，缺点是只能用于低通滤波器，不能用于高通滤波器，所以，通过粒子群算法对FIR低通滤波器进行优化，提高FIR滤波器的性能

在基于粒子群优化的节点定位过程中，惯性权重的设置对算法收敛速度和定位精度有着重要影响。本文从两个方面对其进行改进：利用节点间的连通信息对未知节点可能存在的区域进行估计，缩小粒子搜索范围；根据未知节点存在区域，对粒子群优化算法的惯性权重设置进行改进。仿真结果表明，改进算法的定位精度和稳定性有明显的提高，是一种可行的无线传感器网络节点定位的解决方案。

结合电动汽车动力系统最优参数确定的粒子群优化算法。其中具体包括普通的粒子群优化算法以及改良版本粒子群优化算法，该实例为汽车动力链优化设计以及最优参数（六个优化变量）确定，其中调用了simulink模型。构建了电机模型，拉维娜式行星齿轮机构模型，电池模型等。

针对粒子群算法的早熟收敛问题，提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值，根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力，增大寻找全局最优的几率。对几种典型函数的测试结果表明，新算法的全局搜索能力有了明显的提高，有效避免了早熟收敛问题。

MATLAB实现PSO-BiLSTM粒子群优化长短期记忆神经网络多输入回归预测（完整源码和数据） 数据为多输入回归数据，输入7个特征，输出1个变量。 运行环境MATLAB2018b及以上,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。

发表于 Expert Systems with Applications，第 39 卷，第 1 期，2012 年 1 月，第 960-966 页的论文代码

多个函数利用多种粒子群算法解决优化问题： 用二阶粒子群优化算法求解无约束优化问题 用二阶振荡粒子群优化算法求解无约束优化问题 用混沌粒子群优化算法求解无约束优化问题 用基于选择的粒子群优化算法求解无约束优化问 用基于交叉遗传的粒子群优化算法求解无约束优化问 用基于模拟退火的粒子群优化算法求解无约束优化问题用随机权重粒子群优化算法求解无约束优化问题 用学习因子同步变化的粒子群优化算法求解无约束优化问题 用学习因子异步变化的粒子群优化算法求解无约束优化问题

MATLAB实现PSO-GRU粒子群优化门控循环单元多输入回归预测（完整源码和数据） 数据为多输入回归数据，输入7个特征，输出1个变量。 运行环境MATLAB2020b及以上。

以前的标题是“另一个粒子群工具箱” 介绍粒子群优化 (PSO) 是一种无导数的全局最优解算器。 它的灵感来自大群简单动物令人惊讶的有组织的行为，例如成群的鸟、鱼群或成群的蝗虫。 该算法中的个体生物或“粒子”是原始的，只知道四件简单的事情：1 & 2）它们自己在搜索空间中的当前位置和适应度值，3）它们以前的个人最佳位置，以及 4）整体“群”中所有粒子找到的最佳位置。 无需计算梯度或 Hessians。 每个粒子根据这些信息不断调整其在搜索空间中的速度和轨迹，在每次迭代中更接近全局最优。 正如在自然界中看到的那样，尽管其单个粒子很简单，但这个计算群显示出非凡的连贯性和协调性。 使用方便如果您已经在使用 MATLAB 全局优化工具箱中包含的遗传算法 (GA)，那么这个 PSO 工具箱将为您节省大量时间。 可以使用与 GA 相同的语法从 MATLAB 命令行调用它，并带有一些特定于 PSO