【布局优化】基于粒子群求解物流选址matlab源码.md

为了提高人脸识别的准确率，提出了一种基于K近邻(KNN)和粒子群优化(PSO)的人脸识别方法。运用局部二值模式(LBP)提取特征，研究了遗传算法(GA)、粒子群算法(PSO)、蚁群算法(ACO)等元启发式优化算法在特征选择中的应用，采用基于种群的元启发式算法PSO对KNN分类器进行优化，利用提出的PSO-KNN算法进行人脸识别。使用罗技网路摄影头和ORL人脸数据库，对155位受试者的10个方位的实时脸部影像进行了实验。将提出的算法与决策表(DT)、支持向量机(SVM)、多层感知器(MLP)和传统的KNN等基准识别技术进行了比较，实验结果验证了所提方法的有效性。

粒子群算法发展历史简介 由Kennedy和Eberhart于1995年提出． 群体迭代，粒子在解空间追随最优的粒子进行搜索. 简单易行 粒子群算法: 收敛速度快 设置参数少 已成为现代优化方法领域研究的热点．

粒子群算法求解约束多目标优化万能matlab代码

完整代码，可直接运行

一种求解非线性单目标优化问题的混合粒子群算法代码https://blog.csdn.net/qq_37179970/article/details/113104869?spm=1001.2014.3001.5501

【预测模型】基于粒子群算法优化最小二乘支持向量机lssvm实现预测matlab源码.zip

matlab代码粒子群算法合作PSO-LA 基于学习自动机（CPSOLA）算法和Matlab的协同粒子群优化算法的Matlab代码。 抽象的 本文提出了一种基于群体协同行为和自动机学习能力的粒子群优化（PSO）技术。 这种方法称为基于学习自动机的合作粒子群优化（CPSOLA）。 CPSOLA算法使用三层协作：群内，群内和群间。 CPSOLA中有两个活跃的种群。 在主要种群中，粒子被放置在所有群体中，每个群体都包含搜索空间的多个维度。 此外，CPSOLA中还有一个二级人口，使用的是常规PSO的更新格式。 在合作的上层，嵌入式学习自动机（LA）负责决定是否在人群之间进行合作。 在五个基准功能上组织了实验，结果显示了CPSOLA的显着性能和鲁棒性，群体的协作行为以及成功的种群自适应控制。 参考 [1] Mohammad Hasanzadeh，Mohammad Reza Meybodi和Mohammad Mehdi Ebadzadeh，“”，在2012年第20届伊朗电气工程大会（ICEE）上，2012年，第656至661页。 [2] Mohammad Hasanzadeh，Mohammad R

matlab代码粒子群算法动态PSO-LA 基于三动作学习自动机（DPSOLA）算法的动态全局和局部组合粒子群优化算法的Matlab代码。 抽象的 最近已经开发了许多粒子群优化（PSO）算法的变体，其最大目的是摆脱局部极小值。 这些最新变化之一是PSO-LA模型，该模型采用控制粒子速度的学习自动机（LA）。 PSO的另一个变体使粒子能够动态搜索全局和局部空间。 本文提出了一种基于三动作学习自动机（DPSOLA）的动态全局和局部组合粒子群优化算法。 嵌入式学习自动机累积来自个体，局部最佳粒子和全局最佳粒子的信息，然后将它们组合以在问题空间中导航粒子。 所提出的算法已经在具有不同维度的八个基准函数上进行了测试。 从测试台来看，这项工作是独一无二的。 评估包含较大的人口规模（150）和较高的维度（150）。 结果表明，适应度和收敛速度优于传统的PSO，DGLCPSO和以前的基于PSO的LA算法。 参考 [1] Mohammad Hasanzadeh，Mohammad Reza Meybodi和Saeed Shiry Ghidary，“，”在2011 IEEE第12届国际计算智能和信息学研讨会

针对目前云计算服务中用户体验的要求不断提高，工作流业务繁多且复杂的现状，本文为了改善工作流中各子任务执行效率不平均以及计算资源利用率低的问题，通过云工作流仿真环境，结合群体智能优化算法理论，根据科学工作流模型，创建任务集合，提出一种改进粒子群优化算法（PSO）用以优化工作流中任务调度策略，并进行仿真。仿真结果表明，本文提出的改进粒子群优化算法，与模拟退火粒子群优化算法（SA-PSO）对比，特别在面对云工作流节点多而复杂的情况时，执行成本可以减少20%，调度效果更好。