针对粒子群算法的早熟收敛问题，提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值，根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力，增大寻找全局最优的几率。对几种典型函数的测试结果表明，新算法的全局搜索能力有了明显的提高，有效避免了早熟收敛问题。

MATLAB实现PSO-BiLSTM粒子群优化长短期记忆神经网络多输入回归预测（完整源码和数据） 数据为多输入回归数据，输入7个特征，输出1个变量。 运行环境MATLAB2018b及以上,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。

人工蜂群算法(Artificial Bee Colony Algorithm, ABC)是模仿蜜蜂行为提出的一种优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。

发表于 Expert Systems with Applications，第 39 卷，第 1 期，2012 年 1 月，第 960-966 页的论文代码

多个函数利用多种粒子群算法解决优化问题： 用二阶粒子群优化算法求解无约束优化问题 用二阶振荡粒子群优化算法求解无约束优化问题 用混沌粒子群优化算法求解无约束优化问题 用基于选择的粒子群优化算法求解无约束优化问 用基于交叉遗传的粒子群优化算法求解无约束优化问 用基于模拟退火的粒子群优化算法求解无约束优化问题用随机权重粒子群优化算法求解无约束优化问题 用学习因子同步变化的粒子群优化算法求解无约束优化问题 用学习因子异步变化的粒子群优化算法求解无约束优化问题

本资源为MATLAB代码和相应的说明文件，并增加了测试函数的使用实例，收集了越50个在优化算法中常用的测试函数，可用来验证优化算法的优化效果，避免陷入局部最优。对于其他测试函数，可参照使用说明中的实例进行使用

MATLAB实现PSO-GRU粒子群优化门控循环单元多输入回归预测（完整源码和数据） 数据为多输入回归数据，输入7个特征，输出1个变量。 运行环境MATLAB2020b及以上。

以前的标题是“另一个粒子群工具箱” 介绍粒子群优化 (PSO) 是一种无导数的全局最优解算器。 它的灵感来自大群简单动物令人惊讶的有组织的行为，例如成群的鸟、鱼群或成群的蝗虫。 该算法中的个体生物或“粒子”是原始的，只知道四件简单的事情：1 & 2）它们自己在搜索空间中的当前位置和适应度值，3）它们以前的个人最佳位置，以及 4）整体“群”中所有粒子找到的最佳位置。 无需计算梯度或 Hessians。 每个粒子根据这些信息不断调整其在搜索空间中的速度和轨迹，在每次迭代中更接近全局最优。 正如在自然界中看到的那样，尽管其单个粒子很简单，但这个计算群显示出非凡的连贯性和协调性。 使用方便如果您已经在使用 MATLAB 全局优化工具箱中包含的遗传算法 (GA)，那么这个 PSO 工具箱将为您节省大量时间。 可以使用与 GA 相同的语法从 MATLAB 命令行调用它，并带有一些特定于 PSO

MATLAB编程，基于粒子群pso的复杂方程组求解，总共五个复杂多元方程，代码里面有详细的注释，表明了最大迭代次数，种群个数，学习因子，权重因子，种群位置，种群速度，个体最优值，全局最优值，代码具有通用，可以更换方程组，有可以更改为目标寻优，代码可以自动导出迭代优化曲线

Optimal Micro-siting of Wind Farms by Particle Swarm Optimization