matlab源码

改进粒子群算法求解TSP问题，盛景军，王勇，在运用粒子群算法求解TSP问题时，针对粒子迭代、速度不能简单地采用连续量的运算法则进行计算的特点，通过构造插入因子，定义插入

针对Taylor算法进行TDOA定位时，其初始估计位置的误差易导致Taylor算法不收敛和定位精度差的问题，提出一种基于自然选择的线性递减权重粒子群优化（W-SPSO）与Taylor算法协同定位的方法。该方法先通过W-SPSO算法得到一个初始估计位置（x，y），再通过Taylor算法在（x，y）处进行迭代运算得到最终定位结果。不同噪声情况下的仿真结果显示：W-SPSO与Taylor算法协同定位方法对MS坐标估计值的均方差（RMSE）小于标准PSO（粒子群优化）、SelPSO（基于自然选择的粒子群优化算法）、W-SPSO、Taylor以及Chan五种算法的RMSE。因此，所提出的定位方法在保留了SelPSO算法求解精度和收敛性的基础上，同时提高了全局搜索能力，使其具有更高的定位精度和收敛性。

粒子群优化算法的matlab仿真程序，可以直接运行，使用与函数求最优值，最大或最小

引入混沌粒子群算法进行改进的果蝇优化算法。

针对PSO在寻优过程容易出现“早熟”现象，提出了一种基于Sobol序列的自适应变异PSO算法（SAPSO）。该算法以积分控制粒子群算法（ICPSO）为基础，使用准随机Sobol序列初始化种群个体，并在算法过程中引入基于多样性反馈的Beta分布自适应变异来保持种群的多样性，避免陷入局部最优。仿真结果表明，SAPSO算法在求解复杂优化问题时优势明显，可以有效地避免算法陷入局部最优，在保证收敛速度的同时增强了算法的全局搜索能力。

粒子群优化算法的python实现

论文研究-基于改进粒子群-模糊神经网络的短期电力负荷预测.pdf,  为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络, 实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测. 仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力, 提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.

算法介绍 每个寻优的问题解都被想像成一只鸟，称为“粒子”。所有粒子都在一个D维空间进行搜索。 所有的粒子都由一个fitness function 确定适应值以判断目前的位置好坏。 每一个粒子必须赋予记忆功能，能记住所搜寻到的最佳位置。 每一个粒子还有一个速度以决定飞行的距离和方向。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。

完整代码，可直接运行