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

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