基本的粒子群优化算法PSO的Matlab实现代码，很实用的呢

链接：https://blog.csdn.net/weixin_44315848/article/details/123619555

为了解决蝶形优化算法（BOA）容易出错的问题准确度和收敛速度较慢，研究的趋势是将两个或多个算法混合以获得一个优化问题领域的高级解决方案。 提出了一种新的混合算法，即HPSOBOA，并介绍了三种改善基本BOA的方法。 因此，初始化介绍了使用三次一维图的BOA模型，并给出了非线性参数控制策略也执行。 此外，将粒子群优化（PSO）算法与BOA为了改进基本的BOA进行全局优化。 有两个实验（包括进行了26项著名的基准测试功能，以验证提议的有效性算法。 实验的比较结果表明，杂种HPSOBOA收敛Swift与高维数值优化问题相比具有更好的稳定性。 PSO，BOA和其他各种著名的群体优化算法。

一种电磁优化算法，解决稀疏天线阵的方向图综合问题

人工蜂群算法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。为了解决多变量函数优化问题，Karaboga提出了人工蜂群算法ABC模型（artificial bee colony algorithm）。

针对基本粒子群算法在背包问题上表现的不足，在基本粒子群算法的基础上运用模糊规则表加入了新 的扰动因子，提出了一种新的算法———模糊粒子群算法。该算法结合了模糊控制器中输入/输出的模糊化处理 和粒子群寻优的特点，为实际问题提供了新的解决手段。将模糊粒子群算法应用于0-1 背包问题上，通过多组 实例数据进行测试，验证表明了本算法具有良好的有效性和鲁棒性。

原型： [xopt, fval, exitflag, output] = ppso(func,npars,lb,ub) 或[xopt, fval, exitflag, output] = ppso(func,npars,lb,ub,options) 或[xopt, fval, exitflag, output] = ppso(func,npars,lb,ub,options,auxdata) 描述： 使用全局版本的粒子群优化算法查找函数的最小值，如参考文献中所述。 1. 认知权重和社会权重的值分别为 cC = 1.49445*r2(0,1) 和 cS = 1.49445*r3(0,1) 其中 r2(0,1) 和 r3(0,1) 为两个在 0 和 1 之间均匀分布的随机数。惯性权重为 cI = 0.5 + 0.5*r1(0,1)。 已经测试了惯性权重的递减版本，但它导致整个算法在速度和最终

Social Ski-Driver (SSD) 优化算法有关该算法的更多详细信息，请参见[请引用原始论文（下）]。 Alaa Tharwat、Thomas Gabel，“使用社交滑雪驱动程序算法对不平衡数据进行支持向量机的参数优化”-神经计算和应用，第 1-14 页，2019 Tharwat, A. & Gabel, T. Neural Comput & Applic (2019)。 https://doi.org/10.1007/s00521-019-04159-z

内置麻雀搜索算法优化支持向量机的程序，还有麻雀搜索算法提出的原论文

所有基于进化和群体智能的算法都是概率算法，需要共同的控制参数，如种群规模、世代数、精英规模等。除了共同的控制参数外，不同的算法需要自己的算法特定的控制参数。 比如GA使用变异概率、交叉概率、选择算子； PSO 使用惯性权重、社会和认知参数； ABC使用围观蜂数、雇佣蜂数、侦察蜂数和限制数； HS算法使用和声记忆考虑率、音调调整率和即兴次数。 同理，其他算法如 ES、EP、DE、SFL、ACO、FF、CSO、AIA、GSA、BBO、FPA、ALO、IWO 等，也需要对各自的算法特定参数进行调优。 算法特定参数的适当调整是影响上述算法性能的一个非常关键的因素。 算法特定参数的不当调整要么会增加计算量，要么会产生局部最优解。 考虑到这一事实，Rao 等人。 (2011) 介绍了基于教学的优化 (TLBO) 算法，该算法不需要任何特定于算法的参数。 TLBO 算法只需要通用的控制参数，如种群大小和