粒子群算法PSO优化LSSVM最小二乘支持向量机惩罚参数c和核函数参数g，用于回归预测，有例子，易上手，简单粗暴，直接替换数据即可。 仅适应于windows系统。 质量保证，完美运行。 本人在读博士研究生，已发表多篇sci，非网络上的学习代码，不存在可比性。

粒子群算法(PSO)优化双向长短期记忆神经网络的数据回归预测，PSO-BiLSTM回归预测，多输入单输出模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

作为中转物流平台的趸船作业调度优化，李阳，解玉真，趸船调度作为中转物流平台作业的核心，是制约中流作业服务效率和单箱作业成本的主要瓶颈之一。本文依据中流作业的流程，考虑趸船

常见的图形算法主要有以下几种：栅格法，拓扑法，自由空间法和可视法。栅格法根据特定分辨率将外部环境离散为相同大小的网格。每个栅格由状态表示，即占用状态和空闲状态，指示栅格位置是否是障碍物。路径规划算法占用一个栅格，并通过搜索自由栅格并避开障碍物来规划由多个栅格组成的路径。拓扑方法将机器人的工作环境图规划成几个小空间，并通过小空间之间的连接线建立拓扑网络结构，路径规划算法搜索拓扑网络以规划由拓扑连接线组成的路径。自由空间法将实际环境规划成两个区域，即可移动区域和不可移动障碍区域。组合连接可移动区域中每个线段的中点形成地图模型，移动机器人在其中进行路径规划。视觉方法将初始位置，障碍的各个转折点和目的地两两相连，组成多线段路径结构。通过路径规划算法，可以在这些线段上规划从起始位置到目的地的完整路径。

粒子群算法(PSO)优化极限梯度提升树XGBoost时间序列预测，PSO-XGBoost时间序列预测模型，单列数据输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

粒子群算法(PSO)优化xgboost的分类预测，多输入单输出模型。PSO-xgboost分类预测模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

遗传算法(GA)优化极限梯度提升树XGBoost回归预测，GA-XGBoost回归预测模型,多变输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

通过粒子群算法对卷积神经网络结构的参数进行优化，最后在训练集和测试集上进行验证，效果比普通卷积神经网络的精度更高。粒子群算法可以有效高效地为卷积神经网络的超参数搜索提供方案。相比手动设计,粒子群算法通过模拟进化算法的方式,有望找到更佳结构。 粒子群算法可以用于卷积神经网络（Convolutional Neural Network, CNN）的优化。CNN是一种常用于图像识别、语音识别等领域的深度学习模型，它由多个卷积层、池化层和全连接层组成。CNN模型的优化需要调整的超参数很多，包括卷积核大小、卷积核数量、池化大小、学习率等等。因此，使用传统的梯度下降算法可能会陷入局部最优解，而粒子群算法则可以通过全局搜索来寻找更优的解。

1.版本：matlab2014/2019a/2021a，内含运行结果，不会运行可私信 2.领域：智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，更多内容可点击博主头像 3.内容：标题所示，对于介绍可点击主页搜索博客 4.适合人群：本科，硕士等教研学习使用 5.博客介绍：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可si信

遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向（最优解）进化，进化过程中，会自动选择优良基因，淘汰劣等基因。 遗传算法（英语：genetic algorithm (GA) ）是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择、杂交等。 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值，选出 前 parent_number 个 个体作为 待选 parent 种群（适应度函数的值越小越好） 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体，进行交叉，产生 2 个子代。（交叉概率） 对子代（parent + 生成的 child）的染色体进行变异。（变异概率） 重复3,4,5步骤，直到新种群（parent_number + child_number）的产生。 循环以上步骤直至找到满意的解。 本资源包含遗传算法+matlab+原理介绍+示例源码