首先产生若干种群（特征子集），然后用PSO 算法对特征及参数进行优化。在UCI 标准数据集上进行的仿真实验表明，该算法可有效地找出合适的特征子集及LS-SVM 参数，且与基于遗传算法的最小二乘支持向量机算法（GALS-SVM）和传统的LS-SVM 算法相比具有较好的分类效果。

最近，我正在学习如何解决 TSP （或 VPR） 与群算法，特别利用粒子群优化算法。这是为粒子群优化算法的 matlab 程序代码，我们可以找到它如何由它解决的问题。

运用pso 方法优化lssvm 的sig2 gam 两参数 对数据进行回归预测

说明，这个matlab程序的目标是对BP神经网络中的神经元连接权和阈值构成的高维参数空间进行最优求解，试图用PSO算法求解神经网络中的参数，而不是用传统的误差反传算法。但由于经典粒子群算法存在局部最优的问题。该算法也存在同样的问题。该算法在迭代数较大时可以基本做到误差较大的函数拟合。但是通过该资源提供的图解和代码注释，用户可以很容易的学习到PSO算法的过程。至于如何突破局部最优，这个就有待各位PSO爱好者进行优化了。

matlab代码，以IRIS数据集为输入，用kmeans+PSO对其进行聚类，效果比kmeans好，可以绘制聚类图，并动态显示粒子运动轨迹。

粒子群算法的c语言环境下的实现，上传的是整个方案，可以直接使用VS2010打开，可以自己更改适应度函数值

GA,PSO等多个优化算法代码实现,包括数据的建立，基因池、染色体的设置等等，可以进行数据的测试。各个问题以模块的形式出现，问题描述细致，逻辑清晰

解决不同的非线性优化问题，然后可以通过改进求解有约束优化问题

PSO-RBF的matlab实现程序，很好用，希望对大家有所帮助

for i=1:popcount pop(i,:)=rand(1,9);%初始化粒子位置 V(i,:)=rand(1,9);%初始化粒子速度 %计算粒子适应度值 Center=pop(i,1:3); SP=pop(i,4:6); W=pop(i,7:9); Distance=dist(Center',SamIn); SPMat=repmat(SP',1,SamNum);%repmat具体作用 UnitOut=radbas(Distance./SPMat); NetOut=W*UnitOut;%网络输出 Error=SamOut-NetOut;%网络误差 %SSE=sumsqr(Error); %fitness(i)=SSE; RMSE=sqrt(sumsqr(Error)/SamNum); fitness(i)=RMSE; %fitness(i)=fun(pop(i,:)); end