经典的PSO算法，是一种基于种群的随机优化技术，粒子群算法模仿昆虫、兽群、鸟群和鱼群等的群集行为，这些群体按照一种合作的方式寻找食物。适用于入门学习。通过判断粒子停滞状态，陷入局部最优时重启粒子继续搜索。

1、MOEA/D-FD是一种求解动态多目标优化问题的新算法，在动态多目标优化问题中，多目标函数和/或约束可能会随时间变化，这就需要多目标优化算法跟踪运动的Pareto最优解和/或Pareto最优前沿。当检测到环境变化时，设计一阶差分模型来预测一定数量Pareto最优解的新位置。另外，旧的pareto最优解的一部分被保留到新种群中。将预测模型融合到基于分解的多目标进化算法中，求解动态多目标优化问题。通过这种方式，可以更快地跟踪更改后的POS或POF。该算法在多个具有不同动态特性和难度的典型基准问题上进行了测试。实验结果表明，该算法在求解动态多目标优化问题时具有较好的性能。 2、文件夹中包括了该算法的论和相关Matlab代码的实现。

采用各种智能算法（包括蚁群算法、遗传算法、神经网络算法、模拟退火等）在matlab下进行基于TSP问题的仿真实验。

智能优化算法：其中包含遗传算法、蚁群算法、模拟退火算法、差分进化算法等以及一些代码

惯性权重 1998年，Shi和Eberhart引入了惯性权重w，并提出动态调整惯性权重以平衡收敛的全局性和收敛速度，该算法被称为标准PSO算法 惯性权重w描述粒子上一代速度对当前代速度的影响。w值较大，全局寻优能力强，局部寻优能力弱；反之，则局部寻优能力强。当问题空间较大时，为了在搜索速度和搜索精度之间达到平衡，通常做法是使算法在前期有较高的全局搜索能力以得到合适的种子，而在后期有较高的局部搜索能力以提高收敛精度。所以w不宜为一个固定的常数。

完整代码，可直接运行

完整代码，可直接运行

matlab优化算法代码，混沌序列优化优化粒子群算法，蚁狮优化算法，附带详细解释，非常适合新手学习理解

这是一个关于多目标粒子群算法，很有用，代码通用性强

完整代码，可直接运行