通过PSO粒子群算法求最大最小值，可直接运行。粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。粒子群算法的思想相对比较简单，主要分为：1、初始化粒子群；2、评价粒子，即计算适应值；3、寻找个体极值；4、寻找全局最优解；5、修改粒子的速度和位置。

用PSO算法优化Schaffer's f6函数，该函数的全局最小值为y=0，而最优解为（0,0）。

用MATLAB编写测试函数的五种PSO改进算法

为了更好地改善多目标粒子群优化算法的收敛性和多样性的pso 算法

为了更好地改善多目标粒子群优化算法的收敛性和多样性的pso 算法

各类改进粒子群算法，模拟退火，混合，随即权重，粒子群算法

二维粒子群算法的matlab代码实现

最详细的PSO算法通过Java实现，附带详细注释 介绍地址：https://blog.csdn.net/HYL51740740/article/details/106105925 private static int M=200; //迭代次数 private static int numParticles=50; //粒子数 private static int dimension=3; //粒子维数 private static double[][] pBest = new double[numParticles][dimension]; //存储各粒子的历史最优位置信息 private static double[][] xPos = new double[numParticles][dimension]; //存储各粒子的当前位置信息 private static double[][] xVel = new double[numParticles][dimension]; //存储各粒子的速度信息 private static double[] gBest = new double[dimension]; //存储全局最优解对应的位置信息 private static double[] fitness = new double[numParticles]; //存储各粒子适应值

PSO粒子群算法优化神经网络，针对bp神经网络容易陷入局部极小，收敛速度慢的缺点，利用pso优化神经网络，提高了网络的泛化能力。

包含最基础的de差分进化算法，pso粒子群优化算法，以及fmincon（）等函数中最常用的内点法