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。

【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