粒子群算法PSO优化LSSVM最小二乘支持向量机惩罚参数c和核函数参数g，用于回归预测，有例子，易上手，简单粗暴，直接替换数据即可。 仅适应于windows系统。 质量保证，完美运行。 本人在读博士研究生，已发表多篇sci，非网络上的学习代码，不存在可比性。

粒子群算法(PSO)优化双向长短期记忆神经网络的数据回归预测，PSO-BiLSTM回归预测，多输入单输出模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

粒子群算法(PSO)优化极限梯度提升树XGBoost时间序列预测，PSO-XGBoost时间序列预测模型，单列数据输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

粒子群算法(PSO)优化xgboost的分类预测，多输入单输出模型。PSO-xgboost分类预测模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

通过粒子群算法对卷积神经网络结构的参数进行优化，最后在训练集和测试集上进行验证，效果比普通卷积神经网络的精度更高。粒子群算法可以有效高效地为卷积神经网络的超参数搜索提供方案。相比手动设计,粒子群算法通过模拟进化算法的方式,有望找到更佳结构。 粒子群算法可以用于卷积神经网络（Convolutional Neural Network, CNN）的优化。CNN是一种常用于图像识别、语音识别等领域的深度学习模型，它由多个卷积层、池化层和全连接层组成。CNN模型的优化需要调整的超参数很多，包括卷积核大小、卷积核数量、池化大小、学习率等等。因此，使用传统的梯度下降算法可能会陷入局部最优解，而粒子群算法则可以通过全局搜索来寻找更优的解。

随着国家对电动汽车(Electric Vechicles,EVs)的大力发展，电动汽车也逐渐出现在了我们的日常生活中，与传统汽油汽车相比电动汽车不仅能解决环境污染问题，而且不排放有害气体。大量电动汽车接入将对电网的运行产生一定的负面影响，因此电动汽车如何有序高效的充电成为了一个极待解决的问题之一，伴随着V2G(Vehicle to Grid)技术的出现和不断地发展，V2G技术可以实现了电动汽车对电网的削峰填谷的功能，使电网能够更加安全、稳定和经济地运行。但由于电动汽车放电过程中对电动汽车电池寿命的影响极大，因此在电动汽车在放电过程中电池退化成本是我们必须考虑的因素之一。 本文首先分析常规火电机组的原理，采用常规火电机组的数学优化模型，将燃料成本进行分段线性化处理，从而减少求解时间，采用基于MATLAB的YAMIP工具箱中的CPLEX算法实现数学模型的求解，得出常规火电机组的最小发电成本，各发电机组一个调度周期小时的开停机情况及发电机组各时段有功出力的情况。 其次，通过基于蒙特卡洛原理进行电动汽车用户行为特性和电动汽车无序充电模型的仿真，得出电动汽车一天无序充电的负荷曲线，通过仿真结果分

1.版本：matlab2014/2019a，内含运行结果，不会运行可私信 2.领域：智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，更多内容可点击博主头像 3.内容：标题所示，对于介绍可点击主页搜索博客 4.适合人群：本科，硕士等教研学习使用 5.博客介绍：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可si信

基于粒子群算法的发电机组经济出力分配附matlab代码.zip

基于粒子群算法优化RBF神经网络的异型连续箱梁桥损伤识别方法，谭国金，刘寒冰，针对异型连续箱梁桥的特点，提出了一种适用于该类桥梁结构的损伤识别方法。以位移振型比值和应变模态相对变化量来构造损伤指标，

阐明决定营养素时空变化影响的因素对于分析生态系统的特征很重要。 本文的目的是估计使用特定采样方法获得的值如何与整个图的实际数据相关。 采用网格划分法将位于中国高山草原生态系统海北国家野外研究站的综合观测场（IOF）划分为25个子图。 从2001年至2012年，随机抽取25个子样中的5个样地，以确定土壤养分含量的变化来源。结果表明，0-10 cm土壤层中有效氮的时空变化贡献很大。分别为47.3％和52.7％。 空间变异的贡献高于时间变异，特别是在表层土壤中。 高寒草甸有效土壤氮含量不受降雨和温度波动的明显影响。 增加样本数量可以减少测量可用土壤氮含量时的计算误差，而收集合理数量的样本可以节省时间和劳动力。