粒子群算法的Matlab源码，可用于在Matlab上实现粒子群算法

利用粒子群算法解决寻求组合拍卖中最优组合的方法.

针对风电并网联合优化调度难的问题，本文根据风电的间歇性及随机性特性，建立风电功率的输出模型，提出基于离散粒子群的风电火电机组联合优化算法。首先根据常规电力系统经济调度方法，建立含有风电机组优化问题的数学模型，引入离散粒子群算法，将机组优化调度分解为内外子层问题并进行求解。最终确定最优的启停方案，实现风电火电机组的最优调度。该算法满足电力生产安全兼顾系统运行的经济性，具备一定的有效性及可行性。

通过PSO粒子群算法求最大最小值，可直接运行。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，粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。粒子群算法的思想相对比较简单，主要分为：1、初始化粒子群；2、评价粒子，即计算适应值；3、寻找个体极值；4、寻找全局最优解；5、修改粒子的速度和位置。

tsp 粒子群算法 修正

粒子群算法(particle swarm optimization，PSO)由Kennedy和Eberhart在1995年提出，该算法模拟鸟集群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是一种基于Swarm Intelligence的优化方法。

这里有各种算法，耗光了我所有的积分，有了这不需要下载其他任何资源了

采用C#语言，对连续函数模型的求解，收敛效果较好，运行速度较快

【ELMAN预测】基于粒子群算法改进ELMAN动态递归神经网络实现数据预测matlab源码.md

粒子群算法（PSO）作为一种群智能算法，有效提高了投资组合模型的实用性，但存在搜索精度较低和易陷入局部最优的缺陷.为克服其缺点，本文提出基于天牛须搜索（BAS）的粒子群优化算法（简称BSO），并将其应用到包含完整费用的投资组合模型中.在基于天牛须搜索的优化算法中（BSO），每个粒子的更新规则源自BAS，在每次迭代中都有自己对环境空间的判断，而不仅依赖于PSO中历史最佳解决方案和粒子个体的当前全局最优解，从而减少迭代次数、提高搜索速度和精度.实证结果表明算法更具稳定性和有效性.