完整代码，可直接运行

粒子群优化算法的python实现

为了提高动态多种群粒子群(DMS-PSO) 算法的全局搜索能力, 将布谷鸟搜索算法(CS) 引入DMS-PSO 算法中, 提出DMS-PSO-CS 算法. 采用中位数聚类算法将整个种群动态划分为若干小种群, 各个小种群作为底层种群通过PSO 算法进行寻优, 再将每个小种群中的最优粒子作为高层种群的粒子通过CS 算法进行深度优化. 将所提出算法应用于CEC 2014 测试函数, 并与CS 算法和其他改进的PSO 算法进行比较. 实验结果表明, 所提出算法能够显著提高全局搜索能力和算法效率.

本代码会举一个简单的二维变量的非凸非凹的函数图形，在这个三维图形上，你能清晰的看到每一次迭代，粒子的更新方向，从而更加深刻的理解粒子群算法的magic，本文采用了两种PSO的变种，包含在一个代码中，以供学习参考用。

简单说明 使用多种基本启发式算法替代广义TSP问题。 所谓广义TSP，即一些城市可能卖的是同一类商品，在买这类商品时仅走这些城市其中一个即可。 目录： 图片-只是一些结果图片 代码** extendTSP.py 用于随机生成广义TSP实例，并提供一些通用函数（如生成广义TSP实例，生成距离等） SA.py模拟退火 tabu.py禁忌搜索 Genetic.py遗传算法 ACO.py蚁群算法 依赖：matplotlib + numpy，python3 可以通过extendTSP.py中的extendTSP_generate（）函数来生成实例 def extendTSP_generate ( city_num , goods_num , x_range = 20 , y_range = 20 ) ' '' city_num - 城市数量 goods_num - 商品种类数目 x_range

计算智能课程：Python遗传算法和蚁群算法。。

粒子群优化算法（Particle Swarm Optimization，PSO）是进化计算的一个分支，是一种模拟自然界的生物活动的随机搜索算法。 PSO模拟了自然界鸟群捕食和鱼群捕食的过程。通过群体中的协作寻找到问题的全局最优解。它是1995年由美国学者Eberhart和Kennedy提出的，现在已经广泛应用于各种工程领域的优化问题之中。 ———————————————— 介绍链接：https://blog.csdn.net/qq_44186838/article/details/109212631

详细介绍链接：https://blog.csdn.net/qq_44186838/article/details/109207781

Python复现遗传算法、蚁群优化算法、粒子群算法、禁忌搜索算法 详细算法介绍链接：https://blog.csdn.net/qq_44186838/article/details/109181453

matlab代码粒子群算法创建此存储库是为了进行其他调试和实现对粒子群优化（PSO）算法的支持。 当前，该代码已针对CUDA进行了优化，并且粒子群优化方法已添加到注册选项中。 Autoscoper 2是由。 为了简化安装和编译，将构建系统更改为CMake，并将UI切换为QT5。 与原始版本相比，版本2改进了处理，若干错误修正和新功能，例如多骨，批处理。 Autoscoper v2.7安装程序 可以找到Autoscoper 2.7.1的安装程序。 您需要安装，并更新您的图形卡驱动程序才能运行该应用程序。 编译说明 视窗 先决条件 或者 更新您的显卡驱动程序 建造 克隆。 运行CMake并选择Autoscoper的源和构建文件夹，然后单击“配置”。 在Windows上，选择已安装的Visual Studio版本的64位版本。 将自动安装对tiff和glew的依赖关系，并自动找到其他依赖关系。 默认情况下，它将使用CUDA。 您收到Qt5_DIR错误。 选择以下路径$ QT_ROOT_PATH \ msvc2017_64 \ lib \ CMake \ Qt5（例如C：\ Qt5 \ 5.1