求微粒群算法的程序？MATLAB 我有。我的联系方式在资料里。
如何直观形象地理解粒子群算法？ IEEE演化计算大会更是提出了一个完整的benchmark库和评价计算方法（http：//www. ntu.edu.sg/home/epnsuga n/index_files/cec-benchmarking.htm）。同时每年也会组织演化计算。
分析标准粒子群算法的不足及改进的方法 一个以上的目标，以优化相对传统的多目标优化方法在解决多目标问题，PSO具有很大的优势。首先，PSO算法和高效的搜索功能，有利于在这个意义上，多目标的最优解；其次，PSO代表了整个解决方案的人口集固有的并行性，同时搜索多个非劣解，所以容易搜索多个Pareto最佳的解决方案；此外，PSO通用的适合处理所有类型的目标函数和约束条件，PSO容易与传统相结合的方法，和然后提出了有效的方法来解决一个具体的问题。PSO本身，为了更好地解决多目标优化问题，必须解决的问题的全局最优粒子和个人选择的最优粒子。为全局最优粒子的选择，一方面，该算法具有更好的收敛速度，另一方面帕累托边界分散体的溶液中。如果在最佳的单个颗粒的选择，需要较少的计算复杂性，并且是仅由较少数量的比较非劣解更新。迄今为止，基于PSO的多目标优化，主要有以下思路：（1）向量法和加权方法。文献[20]的固定权重法，自适应权重法和向量评估方法的第一次，PSO解决MO问题。然而，对于一个给定的优化问题，权重的方法通常是很难获得一组合适的权重向量评价方法MO的问题是，往往无法得到满意的解决方案。（2）基于Pareto方法。[21]帕累托排序机制和PSO相结合，处理的问题，多目标优化，。
有没有微粒群算法的matlab代码？ function[xm，fv]=PSO(fitness，N，c1，c2，w，M，D)format long；初始化种群的个体-for i=1：Nfor j=1：Dx(i，j)=randn；随机初始化位置v(i，j)=randn；随机初始化速度endend先计算各个粒子的适应度，并初始化Pi和Pg-for i=1：Np(i)=fitness(x(i，：))；y(i，：)=x(i，：)；endpg=x(N，：)；Pg为全局最优for i=1：(N-1)if fitness(x(i，：))(pg)pg=x(i，：)；endend进入主要循环，按照公式依次迭代-for t=1：Mfor i=1：Nv(i，：)=w*v(i，：)+c1*rand*(y(i，：)-x(i，：))+c2*rand*(pg-x(i，：))；x(i，：)=x(i，：)+v(i，：)；if fitness(x(i，：))(i)p(i)=fitness(x(i，：))；y(i，：)=x(i，：)；endif p(i)(pg)pg=y(i，：)；endendPbest(t)=fitness(pg)；endxm=pg'；fv=fitness(pg)；
求粒子群算法MATLAB完整代码 %清空环境clearclctic参数初始化粒子群算法中的两个参数c1=1.49445；c2=1.49445；maxgen=200；进化次数sizepop=20；种群规模Vmax=1；Vmin=-1；popmax=5；popmin=-5；产生初始粒子和速度for i=1：sizepop随机产生一个种群pop(i，：)=5*rands(1，2)；初始种群V(i，：)=rands(1，2)；初始化速度计算适应度fitness(i)=fun(pop(i，：))；染色体的适应度end找最好的染色体[bestfitness bestindex]=min(fitness)；zbest=pop(bestindex，：)；全局最佳gbest=pop；个体最佳fitnessgbest=fitness；个体最佳适应度值fitnesszbest=bestfitness；全局最佳适应度值迭代寻优for i=1：maxgenfor j=1：sizepop速度更新V(j，：)=V(j，：)+c1*rand*(gbest(j，：)-pop(j，：))+c2*rand*(zbest-pop(j，：))；V(j，find(V(j，：)>；Vmax))=Vmax；V(j，find(V(j，：)))=Vmin；种群更新pop(j，：)=pop(j，：)+0.5*V(j，：)；pop(j，find(pop(j，：)>；popmax))=popmax；pop(j，find(pop(j，：)))=popmin；自适应变异if rand>；0.8k=ceil(2*rand)；pop(j，k)=rand；end适应度值fitness(j)=fun(pop(j，：))；end个体最优更新if fitness(j)(j)gbest(j，：)=pop(j，：)；fitnessgbest(j)=fitness(j)；end群体最优更新if fitness(j)zbest=pop(j，：)。
a *算法求解旅行商问题tsp http：//www.equn.com/forum/viewthread.php？tid=6768近一百多篇文章，打包压缩后有 24.99MB，基本上是从维普数据库中下载来的蚁群算法(ant colony optimization，ACO)，又称。
基于MATLAB的微粒群算法的适应度函数代码 适应度和你的目标函数有关
梯度下降法和粒子群优化算法的区别 摘 要：，粒子群算法据自己的速度来决定搜索过程，只有最优的粒子把信息给予其他的粒子，整个搜索更新过程是跟随当前最优解的过程，所有的粒子还可以更快的收敛于最优解。。
粒子群算法MATLAB程序求助！ fitness(i)=fitness(pop(i，：))；染色体的适应度这个函数是需要你根据你的实际问题来编写的。图像显示问题自行imshow函数。
微粒群算法的改进方法 1 多目标优化相对传统多目标优化方法，PSO在求解多目标问题上具有很大优势。首先，PSO的高效搜索能力有利于得到多目标意义下的最优解；其次，PSO通过代表整个解集的种群按内在的并行方式同时搜索多个非劣解，因此容易搜索到多个Pareto 最优解；再则，PSO的通用性使其适合于处理所有类型的目标函数和约束；另外，PSO 很容易与传统方法相结合，进而提出解决特定问题的高效方法。就PSO 本身而言，为了更好地解决多目标优化问题，必须解决全局最优粒子和个体最优粒子的选择问题。对于全局最优粒子的选择，一方面要求算法具有较好的收敛速度，另一方面要求所得解在Pareto边界上具有一定的分散性。对于个体最优粒子的选择，则要求较小的计算复杂性，即仅通过较少的比较次数达到非劣解的更新。迄今，基于PSO的多目标优化主要有以下几种思路：(1)向量法和权重法。文献[20]利用固定权重法、适应性权重法和向量评价法，首次将PSO 用于解决MO问题。然而对于给定的优化问题，权重法通常很难获得一组合适的权重，而向量评价法往往无法给出MO问题的满意解。(2)基于Pareto的方法。文献[21]将Pareto排序机制和PSO相结合来处理多目标优化问题，通过Pareto排序法选择一组精英解，并采用轮盘赌方式从中选择。
