粒子群算法的PPT讲解，以及如果对粒子群算法进行改进的方法。

MATLAB实现PSO-SVM粒子群优化支持向量机时间序列预测，Matlab完整程序和数据 数据为单变量时间序列数据，含粒子群优化前后的对比，预测对象为股票价格。

f(1)=2*x(1)^2-3*x(2)^2-4*x(1)+5*x(2)+x(3) 粒子群算法和遗传算法思想都很接近，都是一个通过对比去寻找最优解的过程，基于粒子群算法求最大最小值matlab代码，包含matlab源代码和报告，可直接运行出结果。 有一群鸟去寻找食物，其目的在于找到食物最多的地方，然后再大家一起去那里定居，但是每只鸟都会找到自己认为食物最多的地方，这个就叫做局部最优；为了防止陷入局部最优，所以大家定期会聚集在一起讨论，并进行食物量多少的比较，最终找到食物最多的地方，便是全局最优解。

MATLAB实现PSO-BP粒子群优化BP神经网络多特征分类预测（完整源码和数据） 数据为多特征分类数据，输入12个特征，分四类。 运行环境MATLAB2018b及以上,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。

基于PSO-BP粒子群优化BP神经网络的数据分类预测（Matlab完整程序和数据） 基于PSO-BP粒子群优化BP神经网络的数据分类预测（Matlab完整程序和数据） 输入12个特征，分四类。

TSP问题的遗传算法（GA）、动态规划（DP）和蚁群算法（PSO）的python实现（含报告） 包含遗传算法的word报告，代码都可以跑通，安装必须依赖即可。 本实验课程是计算机、智能、物联网等专业学生的一门专业课程，通过实验，帮助学生更好地掌握人工智能相关概念、技术、原理、应用等；通过实验提高学生编写实验报告、总结实验结果的能力； 使用蚁群优化算法或者粒群优化算法求解TSP问题。

1、多元回归_LSTM结合PSO算法实现PSO-LSTM多输入单输出(Matlab完整源码+数据) 2、代码运行测试环境为MATLAB2020b，MATLAB实现PSO-LSTM多输入单输出预测。

使用BP神经网络、RBF神经网络以及PSO优化的RBF神经网络进行数据的预测

FIR低通滤波器具有设计简单，易于实现的优点，缺点是只能用于低通滤波器，不能用于高通滤波器，所以，通过粒子群算法对FIR低通滤波器进行优化，提高FIR滤波器的性能

以模糊神经网络为基础,结合误差前馈补偿完成了二级倒立摆系统的稳定控制,并采用模拟退火粒子群算法对控制参数进行全局寻优。与基于状态变量合成的模糊神经网络控制器相比,该控制方法不仅解决了多变量系统模糊控制器的“规则爆炸”问题,并且,由于所有状态变量直接参与控制输出,控制精度亦有所提高。仿真结果表明,该控制方案所需规则数目少,响应速度快,有良好的鲁棒性和非线性适应能力。