粒子群算法优化灰色模型，提高模型的预测精度 采用粒子群算对灰色模型中的参数进行优化，提高模型的预测精度

根据复杂产品装配规划问题的特点和要求,提出了一种求解装配序列规划(assemblysequenceplanning,ASP)问题的粒子群优化算法,将通常用于连续空间优化的粒子群算法成功扩展到ASP领域。算法根据ASP问题决策解的特点,在排序空间定义了微粒的位置和速度以及相关的各种操作。针对基本粒子群算法容易陷入局部最优的缺点,采用新的学习机制,增强了算法的寻优能力。基于干涉矩阵、连接矩阵和支撑矩阵建立了以装配可行性、装配体稳定性和装配方向改变为评价指标的目标函数。最后通过实例分析验证了该算法的有效性。

matlab代码粒子群算法基于选择性对立的GWO的MATLAB代码 执行功能优化的代码。 这是标题为“基于选择性对立的灰狼优化”的论文的代码 给出的代码是针对三种算法的： 基于选择性对立的灰狼优化（SOGWO） 灰狼优化（GWO） 粒子群优化（PSO） 参数 必须在main.m文件中设置以下参数才能运行代码 迭代-每个函数的运行次数 SearchAgents_no-人口规模 Max_iteration-每个要执行的函数的迭代 algo_choice-要运行的算法 运行代码 在上面指定的文件中设置所有必需的参数 运行文件main.m 链接以获取算法详细信息： 抽象的： 由于具有多种原因，包括灵活性，简单性和鲁棒性，元启发法在科学和工业问题上的优化已广泛使用。 灰狼优化器（GWO）是该领域中最新，最流行的算法之一。 在这项工作中，基于对立的学习（OBL）与GWO相结合，以增强其探索行为，同时保持快速的收敛速度。 Spearman的相关系数用于确定在其上进行对立学习的欧米伽（ω）狼（群居中社会地位最低的狼）。 除了选择狼的所有尺寸外，还选择狼的几个尺寸并对其施加对立。 这有助于避免不必要的探

针对粒子群算法求解置换流水车间调度这类NP-hard问题存在的早熟问题，本文提出了一种基于随机键编码的双模式飞行粒子群算法。首先，基于ROV规则对工件加工顺序进行随机键编码。其次，粒子在搜索过程中采用带有自适应惯性权重的双模飞行方式来更新位置和速度，避免粒子群陷入早熟收敛状态。为了提高解的质量，每次迭代过程中对PSO优化得到的种群最优解进行邻域局部搜索。最后，通过对标准测试集的数值仿真及与其他PSO算法的比较，证实了所提算法求解该问题的有效性与可行性。

利用Matlab编制一个遗传算法或粒子群算法程序，并实现对间距为半波长均匀直线阵综合，指标如下： 阵元数：16元 副瓣电平：11dB 要求撰写设计报告，内容包括：所采用的算法基本原理，目标函数的设计，各个参数的设置，源代码，仿真结果（增益方向图），参考文献。

基于罚函数的粒子群算法的函数寻优.7z

粒子群算法在多目标优化问题中的应用，基于软件MATLAB实现

本代码在matlab里编写，将多智能体思想和粒子群算法结合起来形成基于多智能体的粒子群算法，并将其运用在IEEE40节点店里负荷分配问题上，取得不错的效果

之前与老师做项目的时候写的粒子群算法解决柔性作业车间调度问题，是用Java写的，标准测试数据及优解在data文件夹下

MATLAB源码集锦-基于罚函数的粒子群算法的函数寻优