为了实现启发式优化算法的自适应参数调整， 避免算法陷入局部最优，提高算法的精度为解决参数辨识问题，采用自适应模糊粒子群算法（AFPSO）提出了从自动调整的三个方面对基本算法进行改进的建议参数，种群拓扑和突变特征。

入门的资料很多，眼花缭乱，但是进阶的资料却很少，粒子群算法优化LSTM神经网络，有数据在里面

 针对光伏阵列在阴影下具有多个最大功率点，而传统的优化算法不能有效跟踪全局最大功率点的问题，提出了一种基于粒子群优化算法的跟踪算法，在Matlab平台上利用M函数对光伏阵列和跟踪算法进行编程。仿真结果表明：该控制算法不仅具有跟踪速动快、稳态精度高的特点，而且能够跟踪全局最大功率点，比传统的优化算法更有优势。

粒子群算法，也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization），缩写为 PSO， 是近年来由J. Kennedy和R. C. Eberhart等 [1] 的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”() 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。

【布局优化】基于粒子群算法求解配电网重构matlab源码.zip

论文研究-求解双层规划模型的粒子群优化算法 .pdf,

基于模拟退火的粒子群算法寻优.pdf

介绍了杂交粒子群算法的原理，通过三个典型Benchmark函数对该算法的收敛精度进行了测试。将杂交粒子群算法应用到FIR数字滤波器的设计中，从而计算出FIR数字滤波器的系数。通过高通和带通两个实例进行仿真实验，并与Parks-McClellan算法设计的滤波器进行对比，结果表明，采用杂交粒子群算法设计FIR数字滤波器具有更好的通带和阻带特性，是一种有效的方法。

[gbest，xb] = levyPSO（@func，vars）是一个搜索全局最小值的函数。 使用基于 Levy 分布随机化的 PSO 算法在 'func' 中定义的 n 维函数。 它返回全局（不保证）最小值和函数采用该值的坐标。 此函数的输入以与 Matlab 内置函数“fminsearch()”类似的方式设计。 示例语法：[gbest, xb] = levyPSO(@func_test, [0 0], [100 100], 100, 200) 用于二维， [gbest, xb] = levyPSO(@func_test_3d, [0 0 0], [100 100 100], 100, 200) 用于 3-D 函数演示此功能的性能在附加的测试功能上进行测试。 它在目标命中率（成功定位全局最小值）方面与“fminsearch()”和“GOAT()”竞争，优于内置的“particleswar

【优化求解】基于tent混沌改进粒子群优化算法.zip