python 智能算法——粒子群算法简单例子

【优化求解】模拟退火结合粒子群优化算法matlab源码.md

粒子群算法在求解数学建模最优化问题中的应用，希望能帮到参加建模的同志

为改进工作面煤矿瓦斯涌出浓度的预测精度,基于深度学习网络、SVM和粒子群(PSO)优化算法的原理,建立1种深度学习网络与粒子群优化SVM神经网络耦合的混合算法模型,该算法首先基于深度学习理论学习样本数据较深层次的特征,提取出较少个用来表征原始数据的特征量变量,对特征变量建立PSO-SVM预测模型进行瓦斯涌出浓度预测,通过工作面现场采集的数据进行仿真实验,实验结果表明该方法使预测精度较对原始数据直接进行PSO-SVM预测得到较大的提升,同时实现了原始数据的降维,减少了算法的运行时间,提高了算法效率。

粒子群算法的寻优算法非线性函数极值寻优

PySwarms是用于Python中的粒子群优化（PSO）的可扩展研究工具包。 它适合希望在问题中实施PSO的高层声明接口的群体情报研究人员，从业人员和学生。 PySwarms启用了PSO的基本优化以及与群体优化的交互。 在下面查看更多功能！ 免费软件： MIT许可证 文档： : 。 Python版本： 3.5及更高版本 产品特点 用于粒子群优化的高级模块。 有关所有优化器的列表，请单击。 内置目标函数以测试优化算法。 成本历史和粒子运动的绘图环境。 超参数搜索工具可优化群体行为。 （针对开发人员和研究人员）：高度可扩展的API，用于实现您自己的技术。 安装 要安装PySwarms，请在终端中运行以下命令： $ pip install pyswarms 这是安装PySwarms的首选方法，因为它将始终安装最新的稳定版本。 如果您想安装最新版本，请克隆此仓库： $ git clone -b development https://github.com/ljvmiranda921/pyswarms.git 然后运行 $ cd pyswarms $ python s

dynamic multi swarm optimization algorithm

粒子群算法与神经网络的结合，加快神经网络的训练时间，避免陷入局部极值

完整代码，可直接运行

包含多个神经网络案例的智能算法，可以借鉴学习和参考