粒子群算法优化支持向量机参数，文件中包含数据和结果图

本文主要介绍了近些年来新提出的用于函数优化的算法,粒子群算法。粒子群算法(Particle Swarm Optimization,PSO)是由Dr,Eberhart和Dr.Kenney与1995年提出的。 其基本思想源于对鸟群捕食行为的研究并受到启发而形成的一种基于群智能的随机优化技术。该算法有着个体数目少﹑计算简单﹑鲁棒性好等优点。算法的核心公式中所需要调整的参数不多。这种方法有比较好的收敛速度,是一种不错的优化工具。 本文提出了一种改进的PSO算法,具体信息在音乐论文www.xyclww.com/post/30.html在算法中重新定义最优粒子并且采用适应度定标缩放粒子适应度值来控制粒子选作最优粒子的概率。从仿真结果看出改进方法的优化精度比较好。 另外此改进发法还可以和其他改进方法混合使用,可以得到不错的效果。本文还提出了用粒子群算法求解迷宫问题,实现了问题到算法的建模,并对一些迷宫特点提出了改进方法。

我国城市轨道交通已进入快速发展期,准确预测城轨交通短时客流量,对于城轨运营安全、运营效率及运营成本具有重要意义.城轨交通短时客流量由于具有强随机性、周期性、相关性及非线性的特征,浅层模型的预测精度并不理想.对此,基于深度信念网络(DBN)和支持向量回归机(SVM),提出城轨交通短时客流深层预测模型(DBN-P/GSVM),同时基于遗传算法(GA)和粒子群算法(PSO)实现SVM的参数寻优.最后,对成都地铁火车北站客流量预测进行实例分析.结果表明,DBN-P/GSVM深度预测模型在均方误差、均方根误差、绝对误差均值及绝对百分比误差均值等方面均优于浅层模型——GA-SVM模型、PSO-SVM模型和BP神经网络模型,以及深层模型长短期记忆网络(LSTM)与LSTM-Softmax.

多关节机械臂路径规划是一个高度受限的非线性优化问题，很难找到单一的优化解。提出一种基于单纯形算法和粒子群算法的混合算法，以解决机械臂的路径规划问题。仿真试验表明，相较于常规的A*算法，该混合算法具有更高的求解精度。

本人基于精通Matlab最优化计算这本书的粒子群算法代码错误之处进行了改正

内含有matlab实现粒子群优化算法的所有m函数文件代码

完整代码，可直接运行

完整代码，可直接运行

完整代码，可直接运行

工程优化中的元启发式和进化算法，元启发式算法是独立于问题的算法，一般起源于自然观测，常见有遗传算法，粒子群优化等，本书对于目前性能最好的一系列算法基本进行介绍。