基于Python实现的粒子群算法，上传上来方便大家交流学习，算法实现了最基础的粒子群算法，并附带简单的注释，大家可以根据自己的需要进行修改。粒子群算法是群智能一种，是基于对鸟群觅食行为的研究和模拟而来的。假设在鸟群觅食范围，只在一个地方有食物，所有鸟儿看不到食物（不知道食物的具体位置），但是能闻到食物的味道（能知道食物距离自己位置）。最好的策略就是结合自己的经验在距离鸟群中距离食物最近的区域搜索。

为避免粒子群算法后期出现早熟收敛，提出一种基于Tent映射的自适应混沌嵌入式粒子群算法。将混沌变量嵌入到标准粒子群算法中，且对参数进行自适应调整。算法采用Tent映射生成的混沌序列来取代基本粒子群算法中的随机数，充分利用了混沌运动的随机性、遍历性和规律性；惯性权重和学习因子采用非线性的自适应调整策略；建立平均粒距与适应度方差相结合的早熟收敛判断机制，并且以混沌搜索的方式来跳出局部最优。测试函数仿真结果表明，该算法具有良好的全局搜索能力，寻优精度较高，鲁棒性好。

【路径规划】基于粒子群算法实现避障规划matlab源码.md

地球物理标准粒子群算法反演，粒子群算法，也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization），缩写为 PSO。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。

完整代码，可直接运行

利用粒子群算法解决多目标优化问题，包含了gui代码和工具箱

基于粒子群算法的TSP问题设计研究.doc

针对地震勘探资料依赖线性优化方法进行波阻抗反演不易得到全局极值的问题,提出一种改进的粒子群优化算法—自适应粒子群优化算法进行波阻抗反演。自适应粒子群优化算法是以群智能优化理论为基础,通过3种可能移动方向的带权值组合进行全局寻优。该方法搜索速度较快,且具有较强的全局寻优能力。通过函数测试和波阻抗反演的应用,结果表明,自适应粒子群优化算法是一种适应能力较强的全局优化算法,用该方法进行波阻抗反演是可行有效的。

粒子群优化算法最早应用于非线性连续函数的优化和神经元网络的训练, 后来也被用于解决约束优化问题、多目标优化问题、动态优化问题等. 在数据分类、数据聚类、模式识别、电信QoS管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辨识等方面, 都表现出良好的应用前景. 国内也有越来越多的学者关注粒子群优化算法的应用, 将其应用于非线性规划、同步发电机辨识、车辆路径、约束布局优化、新产品组合投入、广告优化等问题. 4

【路径规划】基于粒子群算法实现机器人栅格地图路径规划matlab源码.zip