【优化选址】基于模拟退火结合粒子群算法求解分布式电源定容选址问题matlab源码.zip

在肺结节诊断方法研究中,传统机器学习诊断方法存在诊断性能不稳定的问题.为了提高孤立性肺结节的识别准确率,提出基于粒子群优化(particle swarm optimization,PSO)参数的极限学习机(extreme learning machine,ELM)辅助诊断方法.首先采用PSO选取ELM最佳的初始权重ω和偏置b;然后利用最佳参数ω和b对ELM进行训练;再利用PSO-ELM对通过稀疏自编码得到的肺结节特征进行分类识别.实验中,将传统机器学习算法与本文方法进行对比,结果表明,利用粒子群优化算法进行优化的极限学习机在孤立性肺结节诊断方面具有较高识别准确率和稳定的分类性能,可以作为一种有效的肺结节诊断工具.

摘　要:分析图像恢复算法现有的一些问题,提出一种改进PSO的图像恢复算法. 结合图像恢复算法的特性,给出了适应度函数、搜索空间和算法参数的选取,提出了用邻居最优粒子的影响来加快收敛速度的PSO改进策略和随机开扰动窗口来缩小搜索范围的改进策略.

基于粒子群优化-支持向量机方法的下肢肌电信号步态识别

pyswarm, 支持约束的粒子群优化( 粒子群) 带有约束支持的粒子群优化pyswarm 包是一个支持约束的python 渐变的进化优化包。什么是新这里版本具有多进程支持功能。要求NumPy安装和下载有关下载和安装pyswarm的有用提示，请参阅软件包主页 。源

这个资源是粒子群算法求解柔性作业车间调度问题的python实现

介绍关于粒子群算法的matlab程序开发方法

JKD Power and Energy Solutions 开发了使用粒子群优化的互连电力系统中最佳负载频率控制的 MATLAB 仿真 提供MATLAB模型下载 如有疑问，请在评论中留下您的电子邮件

针对非线性隐式极限状态方程的可靠度指标计算,将支持向量机和粒子群优化算法相结合,提出了一种结构可靠度算法.首先结合支持向量机不受样本点限制的优点,将历次迭代产生样本点加入本次迭代样本点中,采用支持向量机对样本点进行训练,然后引入粒子群优化算法计算可靠度指标,解决迭代过程中支持向量机回归模型可靠度指标计算震荡不收敛的情况,最后根据可靠度指标收敛得到的支持向量机回归模型,采用重要抽样法计算失效概率.计算结果表明:该方法得出的失效概率具有较好的精度,特别是针对迭代过程中可靠度指标不收敛的情况具有良好的适用性.

PSO功能选择 用于特征选择的粒子群优化（PSO）。 使用PySwarm。