hslogic算法仿真-PSO粒子群优化算法——对多个函数进行最优值搜索

带收缩因子的PSO优化算法 c1 = 2; % 学习因子1 ，一般在[0,2] c2 = 2; % 学习因子2 ，一般在[0,2] % c1 = 2.04344; %学习因子1 ，一般在[0,2] % c2 = 0.94874; %学习因子2 ，一般在[0,2] k1 = 0.7298; % 收缩因子 Dimension = 2; % 搜索空间维数（未知数个数） Popsize = 20; % 初始化群体个体数目 MaxDT = 100; % 最大迭代次数 DivH = 0.25; % 最大多样性系数 DivL = 0.0005; % 最小多样性系数

通过利用最大类间方差法（OTSU）作为目标函数，结合智能优化算法中的粒子群优化算法（PSO）,来获得图像分割的多个阈值，且阈值个数可设定，效果较好。

随着大量新型的多媒体在高性能网络、移动网络及Internet 中的应用, 满足QoS 约束的多播路由问题成为越来越重要, 它吸引了许多爱好者. 本文讨论了多约束QoS 多播路由问题, 主要包含延迟、延迟抖动、带宽和分组丢失率等QoS 约束, 文中描 述了一种在动态网络环境及不确定参数下适应于研究QoS 多播路由的网络模型. 提出了一种在网络规模、可行性方面为 Internet、移动网络和高性能网络下基于遗传算法的多约束QoS 多播路由优化算法(MQMRGA ). 仿真结果表明该算法收敛速 度快、可靠性高. MQMRGA 为QoS 多播路由提供了一种新的有效途径.

混沌粒子群优化算法-CPSO,混沌粒子群优化算法案例,matlab源码 混沌粒子群 内有图片 代码 数据 可更改目标函数

完整代码，可直接运行

hslogic算法仿真-MOPSO优化算法得到Pareto域，多目标优化

hslogic算法仿真-MOPSO优化算法得到Pareto域，多目标优化

完整代码，可直接运行

结合小生境思想及灾变原理，提出了一种动态调整种群结构的粒子群算法（AGPSO）。该算法在获取局部最优区域后只留下部分粒子寻找局部最优点，同时将其他粒子进行灾变处理，然后约束在剩余区域进行新最优区域搜索，这样既达到了快速局部收敛的目的，同时又增加了粒子种群的多样性，较好地解决了早熟收敛的问题。通过典型优化函数的仿真实验验证了该算法的有效性。