该文件夹包含 Quantum PSO 主代码 (QPSO) 和 11 个基准函数。 例子： 乐趣 = @griewankfcn; D = 30； nPop = 50; 磅 = -600; ub = 600; 最大值 = 1000; 最大值 = 10000*D; [xmin,fmin,histout] = QPSO(fun,D,nPop,lb,ub,maxit,maxeval); 或直接： [xmin,fmin,histout] = QPSO(@griewankfcn,30,50,-600,600,1000,10000*30);

【SVM预测】基于粒子群优化支持向量机实现预测matlab源码.md

使用matlab语言编程的粒子群算法对含分布式电源的配电网进行多目标优化

主要介绍了Python编程实现粒子群算法(PSO)详解，涉及粒子群算法的原理，过程，以及实现代码示例，具有一定参考价值，需要的朋友可以了解下。

为解决PSO-FCM聚类算法针对多聚类问题，性能不足，容易陷入局部最优解，影响多聚类结果的准确度.提出一种基于PCA优化的PSO-FCM聚类算法，通过引入PCA分析方法，在粒子的各维度上设定不同的移动权重，降低粒子的敏感度，合理的控制粒子各维度上移动的速度，有效的降低粒子各维度上粒子无约束，位于多个聚类群交界处的粒子过分敏感，移动到错误的聚类的可能性增加.本文简要介绍了PSO-FCM算法的相关情况，详细介绍了本文的优化算法，最后通过实验证明，本文提出的优化算法在多个数据集上结果总体优于其他算法.

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。

matlab代码粒子群算法 相关向量机（RVM） 使用“ SB2_Release_200工具箱”的基于关联向量机（RVM）的回归应用程序的MATLAB代码。 版本2.0，2020年4月28日 电子邮件： 主要特点 易于使用的API，用于训练和测试RVM模型 多种内核功能 混合内核功能 使用粒子群优化（PSO）和遗传算法（GA）进行参数优化 告示 混合内核函数：K = w1 K1 + w2 K2 + ... + wn * Kn 参数优化：有关详细信息，请参阅有关“ particleswarm”和“ ga”的文档。 设置优化算法的参数，以避免模型过度拟合或拟合不足。 更多详细信息，请参见：

广义预测控制（GPC）是一种鲁棒性强、能够有效地克服系统滞后、可应用于开环不稳定非最小相位系统的先进控制算法，但由于它需要Diophantine方程计算、矩阵求逆和最小二乘的递推求解，因此计算量很大，本文针对此缺陷提出四种不基于对象模型且实时性高的广义预测控制快速算法，为广义预测控制应用于实时性要求高的快速系统奠定了理论基础。但是实际工业过程中存在着各种约束，这会使求解控制量的滚动优化问题变得复杂，通常需求解一个有约束的二次规划或非凸规划，另外非凸规划的求解对初始条件也非常敏感，这些会影响到广义预测控制的性能。为了解决此问题，本文将粒子群优化算法应用到广义预测控制中，解决广义预测控制的局限性。

该文件夹包含高斯 Q-PSO 主代码 (GQPSO) 和 11 个基准函数（+ 高斯 Q-PSO 原创文章）。 例子： 乐趣 = @griewankfcn; D = 30； nPop = 50; 磅 = -600; ub = 600; 最大值 = 1000; 最大值 = 10000*D; [xmin,fmin,histout] = GQPSO(fun,D,nPop,lb,ub,maxit,maxeval); 或直接： [xmin，fmin，histout] = GQPSO（@ griewankfcn，30,50，-600,600,1000,10000 * 30）;

matlab代码粒子群算法粒子群选择 ParticleSwarmOpt是使用微粒群优化算法（由）开发的优化工具。 不需要工具箱。 将路径添加到您的Matlab，然后就可以使用它了。 该代码无法执行离散搜索，也不支持多目标优化。 对于文本功能，请检查此网站： 执照 麻省理工学院