算法分析背包問題 第九章 ?基于交叉變異的混合粒子群算法分析旅行商問題 第十章 ?基于交換序的粒子群算法再求解旅行商優化問題 第十一章 ?基于敏感粒子的動態粒子群算法尋找雙峰動態函數最優值 第十二章 ?多目標背包優化問題用多目標粒子群算法求解 第十三章 ?網絡流傳與正版粒子群算法工具箱PSOt應用 第十四章 ?MATLAB自帶算法命令與約束CPSO工具箱詳解 第十五章 ?約束CPSO工具箱編程應用及各種類型程序

對粒子群原理和對應的代碼進行了詳細講解 看完基本可以實現粒子群算法入門

基于matlab的人工蜂群和粒子群混合優化的路徑規劃算法，起點和終點確定的前提下，在障礙物中尋找最佳路徑。數據可更換自己的，程序已調通，可直接運行。 購買后可下載視頻中的源程序文件。

基于matlab的生物地理的優化器（BBO）被用作多層感知器（MLP）的訓練器。粒子群優化（PSO）、蟻群優化（ACO）、遺傳算法（GA）、進化策略（ES）和基于概率的增量學習（PBIL）。計算了BBO-MLP、PSO、ACO、ES、GA和PBIL的分類精度并相互比較。輸出每種算法的收斂曲線和分類精度。程序已調通，可直接運行。 購買后可下載視頻中的源程序文件。

基于matlab的多尺度排列熵（MPE）模型，首先通過對多尺度排列熵算法的參數時間序列長度 N、嵌入維數 m、延遲時間 t 和尺度因子 s 進行研究，得出對其參數優化的必要性。進而在綜合考慮參數影響的基礎上，以多尺度排列熵的偏度構造目標函數，利用粒子群優化算法(PSO)對多尺度排列熵算法(MPE)的參數進行尋優，得到最優參數。程序已調試通過，可直接運行。 購買后可下載視頻中的源程序文件。

優化過程如下：PSO 產生粒子群（可以是初始化粒子群，也可以是更新后的粒子群），將該粒子群中的粒子依次賦值給 PID 控制器的參數 Kp、Ki、Kd，然后運行控制系統的Simulink 模型，得到該組參數對應的性能指標，該性能指標傳遞到 PSO中作為該粒子的適應值，最后判斷是否可以退出算法。程序已調通，可直接運行。 購買后可下載視頻中的源程序文件。

基于matlab的多目標粒子群算法，MOPSO,引導種群逼近真實Pareto前沿，算法運行結束后將外部存檔中粒子作為獲得的Pareto最優解近似。程序已調通，可以直接運行。PS:程序運行視頻見https://gf.bilibili.com/item/detail/1103082078 購買后可下載視頻中的源程序文件。

基于pytorch的多目標粒子群算法，MOPSO,引導種群逼近真實Pareto前沿，算法運行結束后將外部存檔中粒子作為獲得的Pareto最優解近似。程序已調通，可以直接運行。 購買后可下載視頻中的源程序文件。

基于matlab的蟻群優化路徑算法，二維路徑和三維路徑優化。輸出可視化最優路徑和距離迭代曲線。數據可更換自己的，程序已調通，可直接運行。 購買后可下載視頻中的源程序文件。