运用粒子群算法实现对几种测试函数最优解的搜寻，可对算法进行改进，提升算法的寻优性能。 粒子群算法几种改进方法： 1.权重改进：非线性权重、自适应权重等。 2.学习因子：学子因子动态调整 3.速度更新改进 4.加入新算子等等。

多种群遗传算法函数优化matlab源代码，利用多种群保证种群多样性，引入移民机制，实现种群之间的交互，并保留每个种群父代最优解，解决了遗传算法早熟问题，能较快收敛

人工蜂群算法(Artificial Bee Colony Algorithm, ABC)是模仿蜜蜂行为提出的一种优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。

MATLAB源程序4 神经网络遗传算法函数极值寻优-非线性函数极值.zip

python实现GA遗传算法求函数（一元函数和二元函数）最大值和最小值.

神经网络遗传算法函数极值寻优——非线性函数极值寻优

神经网络遗传算法函数极值寻优-非线性函数极值

该代码采用python编写模拟退火算法，整个过程中可以根据更改代码求解最大值与最小值。 1. 模拟退火算法的原理： 输入：温度T、退火控制参数k、初始点x0 输出：最优的自变量值、最大/最小值 （1）给定初始值温度T，退火控制参数k，初始点x0(该点为随机选择点),并计算f(x0) （2）随机产生扰动r=(2*rand-1)*delt;新店x1=x0+r,同时计算f(x1)、f(x1)-f(x0) (3) Metropolis准则，若f(x1)-f(x0)>0,接受该点（更新x0），且接受概率为p=exp(-(f(x1)-f0)/T)，若p>r(r为0-1上的随机数)，接受该点（更新x0），否则放弃该点 （4）执行降温操作：T=T*k;返回（2）继续 （5）执行上述步骤，结束

案例4 神经网络遗传算法函数极值寻优-非线性函数极值.7z

代码里默认可行解个数SN为20，蜜源没有改进的最大次数limit为20，解向量的维数Dimension是2，通过输入迭代次数10000，便可得到函数的极小值。