MOPSO多目标粒子群优化算法MATLAB实现（可直接运行）

基于matlab的基本粒子群优化算法，可应用与最优潮流计算等

使用PSO优化SVR支持向量机模型的代码，有详细的输出及输出，以及代码说明

混沌粒子群优化算法，及其该算法的简单应用

包括PSO、AsyLnCPSO、BreedPSO、CLSPSO、LinWPSO、LnCPSO、RandWPSO、SAPSO、SecPSO、SecVibratPSO、SelPSO、SimuAPSO、YSPSO算法的程序代码，对粒子群算法的学习研究有很大帮助

针对多输入多输出（MIMO）复杂过程控制中控制性能偏慢等问题，对神经网络PID控制器以及PID控制理论物理机制之间的相互作用进行了研究。对神经元PID控制器隐层和输出层之间的初始权值进行了归纳，提出了一种粒子群优化算法，提高了PSO算法的收缩因子以保证优化的收敛性，并进行了Matlab仿真。研究结果表明，所提出的神经网络PID控制器的改进粒子群算法优化，在高耦合效应的复杂MIMO对象中具有良好的精度以及快速响应的特性。

有限脉冲响应(FIR)数字滤波器的设计，实质上是一个多参数优化问题。将粒子群优化算法与混沌相结合来设计FIR数字滤波器，并用该方法设计了一个高通滤波器。与用Parks-McClellan算法设计得到的高通滤波器进行对比发现，基于混沌粒子群优化算法(CPSO)的FIR滤波器通带波动小，阻带衰减大，从而证明了该算法的有效性和优越性。

基于PSO粒子群优化算法的车间调度matlab仿真程序最后输出调度结果以及甘特图，matlab2021a测试。

个人辛苦编写的PSO粒子群优化算法 python程序代码，将适应度值计算部分更换成自己要优化的内容，稍加调试即可运行。 粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation）。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。PSO的优势：在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。

完整代码，可直接运行