【预测模型】基于粒子群算法优化BP神经网络实现预测多输入单输出matlab源码.zip

基于一种改进粒子群算法的SVM参数选取，主要介绍一种新的优化算法

【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