unity3D ParticleSystem 粒子特效碰撞检测 2Ddemo OnParticleTrigger OnParticleCollision

摘要：内核极限学习机（KELM）通过将低维空间中的线性不可分离数据转换为线性可分离的数据，从而增强了ExtremeLearning Machine（ELM）的鲁棒性。 然而，ELM的内部功率参数是随机初始化的，导致算法不稳定。本文采用主动算子粒子游动优化算法（APSO）来获得KELM的最优初始参数集，从而创建了一个最优的KELM分类器名为APSO-KELM。 在标准遗传数据集上进行的实验表明，与现有的ELM，KELM相比，APSO-KELM具有更高的分类准确性，并且这些算法将PSO / APSO与ELM / KELM相结合，例如PSO-KELM，APSO-ELM，PSO-ELM等。 ， APSO-KELM具有良好的稳定性和收敛性，被证明是一种可靠有效的分类算法。

针对目前城市场景下车载自组织网络中的 RSU 部署问题，提出了一种基于连接时长的 RSU 部署方案。该方案在RSU数量受限的情况下，以保证通信连接时长为前提，以最大化服务车辆数目为目的，将部署问题建模成最大覆盖问题，设计了二进制粒子群算法进行求解，并结合真实的北京市路网地图和出租车 GPS数据进行仿真实验。仿真结果表明，该算法是收敛、稳定及可行的，相比贪心算法，该算法求得的部署方案能为更多的车辆提供持续性的网络服务。

利用蒙特卡罗方法根据团簇团簇凝聚(CCA)模型对由球形原始粒子凝聚而成的烟尘团簇粒子进行了模拟,用离散偶极子近似(DDA)方法研究了烟尘团簇粒子随机取向时的激光散射特性,并与等效球形粒子的激光散射特性进行了比较。结果表明,等效球形粒子的激光散射特性与随机取向烟尘团簇粒子的激光散射特性存在着明显差别,不能用等效球形粒子来代替随机取向的团簇粒子;随机取向的烟尘团簇粒子的激光散射特性受基本粒子数量和粒径的影响比较大。该结果将为进一步研究随机取向团簇粒子的形成机理、形态特性以及激光在其中的传输特性提供了一种理论方法。

Simple TSP using PSO（使用pso粒子群算法实现TSP旅行商问题）包括matlab程序以及GUI仿真。

粒子群算法（PSO）的PPT

粒子滤波在机器人定位中的应用，它的优势、劣势以及失效恢复机制。

针对认知无线电中空闲频谱资源的最优分配问题，分别采用了遗传算法和粒子群算法进行求解。该代码是利用遗传算法和粒子群算法求解该问题的matlab仿真代码。

此函数执行多目标粒子群优化 (MOPSO) 以最小化连续函数。 该实现是可以承受的，计算成本低，并且经过压缩（该算法只需要一个文件：MPSO.m）。 提供了一个“example.m”脚本以帮助用户使用该实现。 还值得一提的是，为了便于理解，对代码进行了高度注释。 此实现基于Coello等人的论文。 (2004)，“使用粒子群优化处理多个目标”。 重要提示：您指定的目标函数必须是矢量化的。 这意味着它将采用整个种群（即矩阵 Np x nVar，其中 Np 是粒子数，nVar 是变量数）并且它期望接收每个粒子的适应度值（即，向量 Np × 1)。 如果函数没有被向量化并且只接收一个值，代码显然会引发错误。

高斯噪声下粒子滤波用于目标跟踪的程序,详细注释