PSO SVM粒子算法优化的支持向量机,pso粒子群优化算法,matlab源码

用MATLAB编写测试函数的五种PSO改进算法

采用PSO粒子群优化算法求解TSP旅行商问题 1、输入数据为bayg29.tsp 2、城市数量citycount为29，种群规模Pop_Size为30，迭代次数为500，学习因子 c1、c2取2，惯性权重因子w取0.8，粒子速度最大值绝对值取3.0； 3、运行main.cpp，即可得到最优路径及对应的最短距离，同时粒子群初始化的结果和每次迭代后种群各粒子的路径和距离都会输出到result.txt中。

使用PSO优化SVR支持向量机模型的代码，有详细的输出及输出，以及代码说明

基于PSO粒子群优化算法的车间调度matlab仿真程序最后输出调度结果以及甘特图，matlab2021a测试。

个人辛苦编写的PSO粒子群优化算法 python程序代码，将适应度值计算部分更换成自己要优化的内容，稍加调试即可运行。 粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation）。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。PSO的优势：在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。

PSO粒子群优化算法.doc

组个比较全面的PSO粒子群优化算法的MATLAB仿真，matlab2021a仿真。

机器人路线规划仿真避障，matlab2021a仿真测试 %-粒子群的- global c1; %学习因子1 global c2; %学习因子2 global w; %惯性权重 global MaxDT; %最大迭代次数 global m; %搜索空间维数（未知数个数） global N; %初始化群体个体数目 global eps; %设置精度(在已知最小值时候用) global Kmax; %初始化x时用的最大迭代次数 global Qmax; %初始化x时粒子全部重新初始化用的最大迭代次数 global fitw1; %适应值函数中的两个权重 global fitw2; global pathta ; %移动的角度为60度 global psosued; %粒子群成功 global pathsued; %路径

PSO粒子群优化算法的改进仿真matlab2021a测试，带有收缩因子的微粒群算法