优化粒子群算法程序C语言实现，写在文档中。修改适应度函数后可运行。

完整代码，可直接运行

使用matlab语言编程的粒子群算法对含分布式电源的配电网进行多目标优化

主要介绍了Python编程实现粒子群算法(PSO)详解，涉及粒子群算法的原理，过程，以及实现代码示例，具有一定参考价值，需要的朋友可以了解下。

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。

matlab代码粒子群算法 相关向量机（RVM） 使用“ SB2_Release_200工具箱”的基于关联向量机（RVM）的回归应用程序的MATLAB代码。 版本2.0，2020年4月28日 电子邮件： 主要特点 易于使用的API，用于训练和测试RVM模型 多种内核功能 混合内核功能 使用粒子群优化（PSO）和遗传算法（GA）进行参数优化 告示 混合内核函数：K = w1 K1 + w2 K2 + ... + wn * Kn 参数优化：有关详细信息，请参阅有关“ particleswarm”和“ ga”的文档。 设置优化算法的参数，以避免模型过度拟合或拟合不足。 更多详细信息，请参见：

针对单向物流配送中遇到的路径优化问题，提出一种蚁群算法对单向物流路径进行优化。同时针对传统蚁群算法存在着易滞性和收敛速度比较缓慢的问题，提出采用信息素更新、蚂蚁转移策略的方式，对传统蚁群算法进行改进。最后通过实例和仿真软件，对改进算法与传统算法进行比较，证明改进算法收敛速度和迭代次数方面都较传统算法有着很大的改进，并进一步证明本文所提出的改进方法与策略是正确和可行的，有利于更好的对当前的物流配送路径进行优化。

matlab代码粒子群算法粒子群选择 ParticleSwarmOpt是使用微粒群优化算法（由）开发的优化工具。 不需要工具箱。 将路径添加到您的Matlab，然后就可以使用它了。 该代码无法执行离散搜索，也不支持多目标优化。 对于文本功能，请检查此网站： 执照 麻省理工学院

摘要：本文提出了一种混合的元启发式方法HDCPSO 用于求解置换流水车间调度问题中的最小化完成时间.该算法将粒子群算法和迭代贪心算法( Iterative Greedy, IG) 相结合, 利用IG 算法中的作业毁坏( Destruction) 和构造( Construction) 操作来对粒子进行变异, 降低群体发生早熟的可能. 引入了个体徘徊概念, 用来控制个体变异. 此外, 通过基于插入的邻域搜索来提高个体的局部搜索能力. 最后, 提出了群体的重新初始化机制来进一步避免早熟收敛的发生.本文算法在不同规模的问题实例上与其他几个具有代表性的算法进行了比较, 实验结果表明, 无论是在求解质量还是稳定性方面都优于其他算法.

蚁群算法及在路由选择中的应用，刘海洋，李绍胜，本文介绍了蚁群算法的原理和基本蚁群算法的数学模型。归纳总结了蚁群算法的特点。结合路由算法的基本原理，介绍了蚁群算法在路由