用于 N 维目标函数的 PSO 的Fortran实现_粒子群优化 _Fortran_代码_下载

一个使用粒子群优化（PSO）算法的机器人路径规划演示 效果展示：https://github.com/zegangYang/PSO_PathPlaningNew/blob/master/ui_image_1.png 更多详情、使用方法，请下载后阅读README.md文件

使用 PSO（粒子群优化）或 DDS（动态维度搜索）算法进行（可选并行化）优化，这些算法在具有许多局部极值和有限数量的函数评估的多维（即多参数）函数方面表现出色。并行化版本建立在 Rmpi​​ 之上，旨在用于高度计算密集的目标函数（>20 秒评估时间）。该软件包的另一个重点是可以从中间项目文件恢复中断的优化运行。这些特性使该软件包可用于复杂数值模型（例如水文模型）的自动校准。

背景 进化优化算法是进化计算的一个子领域。他们的目标是在不使用任何梯度信息的情况下最小化/最大化函数（通常是因为没有可用的梯度）。它们具有通过繁殖、变异、评估和分类所谓的个体来探索搜索空间的共同属性。大多数进化算法旨在处理实值函数，但实际上它们通常用于处理更奇特的问题。例如，遗传算法可用于找到神经网络的最佳结构。 eaopt 提供各种进化优化算法的实现。在实现方面，这个想法是大多数（如果不是全部）所述算法可以写成遗传算法的特殊情况。实际上，这是通过使用遗传算法的通用定义，允许随意修改突变、交叉、选择和替换过程来实现的。该GA结构因此是 eaopt 最灵活的结构，其他算法都写在它之上。如果您没有找到任何适合您需要的算法，那么您可以轻松编写自己的运算符（如大多数示例中所做的那样）。 特征 使用一致的 API 可以使用不同的进化算法 您几乎可以使用GAstruct做任何事情 提供物种形成和迁移程序 常见的遗传算子（突变、交叉、选择、迁移、物种形成）已经实施 如果您的功能成本高昂，则可以并行进行功能评估

matlab代码粒子群算法粒子群最小化器 粒子群优化算法，用于查找两个函数中的最小值。 该算法以及将要最小化的两个功能在此处进行了描述： 该代码是用Matlab编写的。 要运行它，只需键入PSO22a以最小化所描述的两个函数中的第一个，或键入PSO22b以运行另一个函数。

提出了一种基于粒子群优化算法的移动机器人全局路径规划方法. 该方法首先进行环境地图建模, 通过坐
标变换在路径的起点与终点之间建立新地图, 然后利用粒子群优化算法获得一条全局最优路径. 该方法模型简单, 算
法复杂度低, 收敛速度快, 而且模型不依赖于障碍物的形状. 仿真实验证实了该方法的有效性.

PSO VMD 粒子群优化VMD的两个参数，惩罚系数和分解层数。并做包络谱，频谱等分析。

粒子群优化VMD 有示例

PSO算法，粒子群优化算法，可运行，可用于图像配准

针对三维OTSU分割算法运算量大、计算时间长的问题，提出了一种基于自适应粒子群优化的三维OTSU图像分割算法。首先采用最佳熵的方法初步提取图像的目标区域，根据该目标区域特征自适应地调整三维OTSU算法的背景搜索范围，然后采用三维OTSU算法并结合粒子群优化最佳分割阈值对原图像进行分割。实验结果表明，与三维OTSU阈值分割方法的递推算法相比，该方法能够进一步减少运算时间。