PID控制器是过程控制中应用最为广泛的控制器，而传统PID控制器参数整定难以达到最优状态，同时，存在控制结果超调量过大、调节时间偏长等缺点，因此，将变异粒子群优化算法（Mutation Particle Swarm Optimization，MPSO）运用于BP-PID的参数整定过程中，设计了一种高效、稳定的自适应控制器。考虑MPSO的变异机制，以种群适应度方差与种群最优适应度值为标准，进行种群变异操作，可以克服早熟，提高收敛精度和PSO的全局搜索能力，使MPSO优化的BP神经网络整定的PID控制器能以更快的速度、更高的精度完成过程控制操作。在实验中，通过比较BP-PID、PSO-BP-PID以及MPSO-BP-PID三控制器仿真结果，证明了所提MPSO算法的有效性和所设计MPSO-BP-PID控制器的优越性。

粒子群算法的一个基础例子，在CSDN上付费下载的

代码中的参数不是固定的，对于不同的情况，可能需要不同的参数，参数优化配置非常重要，同一种算法，不同的参数可能造成结果迥异。 对于LJPSO算法，既可以以一个粒子的速度为单位，也可以以某一维度为单位，本代码是以一个粒子为单位衡量速度的。 至于CPSO算法，选择最差的多少个粒子也决定于具体问题。 而MPSO则是非常的灵活，本代码只展示了一种搭配方式。

编写粒子群优化研究工具箱是为了协助论文研究，以对抗粒子群优化 (PSO) 的过早收敛问题。 控制面板提供了足够的灵活性以适应各种研究方向； 在指定您的意图之后，工具箱将自动执行多项任务，以腾出时间进行概念设计。 示例特征 +从Gbest PSO，Lbest PSO，RegPSO，GCPSO，MPSO，OPSO，全局最佳的柯西突变以及混合组合中进行选择。 + 基准套件包括 Ackley、Griewangk、Quadric、noise Quartic、Rastrigin、Rosenbrock、Schaffer's f6、Schwefel、Sphere 和 Weighted Sphere。 + 每个试验使用自己的伪随机数序列来确保数据的可重复性和唯一性。 + 选择最大数量的函数评估或迭代。 如果达到成功阈值或检测到过早收敛，则提前终止。 + 选择静态或线性变化的惯性权重。 + 激活

运动编码粒子群优化（MPSO）源代码演示，找到一条能最大化找到目标概率的路径

Xilinx Zynq UltraScale+ MPSoC ZCU102开发板的最新PCB、原理图、BOM单、约束文件（XDC）以及板卡硬件设计指导书等，对于硬件设计有很大的参考价值。本博客文章”Zynq Ultrascale+ MPSOC硬件开发之与Zynq7000芯片资源对比说明及开发资料介绍“内有资源详细介绍以及免费下载方式。

多目标粒子群源代码，非常详细的注释