粒子群优化算法(Particle Swarm optimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能 (Swarm intelligence, SI) 的一种。它可以被纳入多主体优化系统(Multiagent Optimization System, MAOS).粒子群优化算法是由Eberhart博士和kennedy博士发明。

粒子群算法（Particle Swarm Optimization，PSO）主要用优化计算实值的连续性问题，而离散二进制粒子群算法（Binary Particle Swarm Optimization，BPSO）则用来优化离散空间问题，它扩展了PSO算法的应用，现已广泛应用到各种离散优化问题计算中，但目前对BPSO算法的理论分析研究还很少，难以指导算法性能。本文从位改变概率和遗传算法的模式定理两方面对BPSO进行分析。分析得出，BPSO算法具有很强全局搜索能力，但不能收敛于粒子的全局最优位置，而且随着算法

针对线性二次型调节器在倒立摆最优控制设计过程中对加权矩阵选择的盲目性,采用粒子群算法,引入惯性权重优化加权矩阵,获得状态反馈控制率,设计最优控制器。以直线二级倒立摆控制系统为研究对象,对比分析传统线性二次型调节器算法与基于粒子群优化线性二次型调节器算法的稳摆控制和抗干扰能力。结果表明:优化后的最优控制器能使系统的响应时间更快、超调量更小;直线二级倒立摆控制系统在4 s内达到稳定状态,在实时控制中表现出了较强的抗干扰能力。该算法对直线二级倒立摆的控制效果更理想。

行业分类-物理装置-基于贪婪机制粒子群算法的无人船路径规划方法及系统.zip

行业分类-物理装置-基于改进粒子群算法的无人艇路径规划方法及系统.zip

matlab代码粒子群算法FOA 森林优化算法-Matlab代码 土井： 网址： 文章摘要： 在本文中，提出了一种适用于连续非线性优化问题的新进化算法，即森林优化算法（FOA）。 它的灵感来自森林中几棵可以存活数十年的树木，而其他树木则可以生存一段有限的时间。 在FOA中，模拟了树木的播种过程，因此，一些种子恰好落在树下，而其他种子则通过自然过程和以种子或果实为食的动物在大范围内分布。 与遗传算法（GA）和粒子群优化（PSO）相比，该算法在某些基准函数上的应用证明了其良好的性能。 我们还测试了FOA在特征加权上的性能，这是一个真正的优化问题，实验结果表明FOA在UCI存储库中的某些数据集中具有良好的性能。

混合互信息和粒子群算法的多目标特征选择方法_王金杰

基于粒子群算法的最短路径设计和实现，用matlab编码实现。

针对N人非合作博弈Nash均衡求解问题，将免疫算法中抗体浓度抑制机制和免疫记忆功能引入基本粒子群算法，提出了一种求解博弈问题Nash均衡的免疫粒子群算法。该算法通过抗体浓度抑制机制和免疫记忆功能来保持种群的多样性，不仅保持了粒子群算法简单、易于实现的特点，而且增强了粒子群算法的全局寻优能力，加快了算法的速度。实验表明，提出的算法具有较好的性能,优于免疫算法和基本粒子群算法。

粒子群算法 约束多目标 优化 matlab代码