论文资源，粒子群优化神经网络的预测模型。

惯性权重 1998年，Shi和Eberhart引入了惯性权重w，并提出动态调整惯性权重以平衡收敛的全局性和收敛速度，该算法被称为标准PSO算法 惯性权重w描述粒子上一代速度对当前代速度的影响。w值较大，全局寻优能力强，局部寻优能力弱；反之，则局部寻优能力强。当问题空间较大时，为了在搜索速度和搜索精度之间达到平衡，通常做法是使算法在前期有较高的全局搜索能力以得到合适的种子，而在后期有较高的局部搜索能力以提高收敛精度。所以w不宜为一个固定的常数。

这是一个关于多目标粒子群算法，很有用，代码通用性强

旅游客流量受多种因素影响，传统的时间序列预测模型无法描述预测对象的规律，人工智能方法如BP神经网络，其结构的选择过多依赖经验，基于此提出了利用改进的粒子群算法优化BP神经网络，通过惯性因子的非线性递减来改善粒子群的寻优性能。将该预测模型应用于自贡灯会的客流量进行实际预测分析，通过对150组训练样本和50组测试样本的实验仿真，可知改进后的方法提高了预测结果的准确度，并且涉及参数少、简单有效。

此函数执行多目标粒子群优化 (MOPSO) 以最小化连续函数。 该实现是可以承受的，计算成本低，并且经过压缩（该算法只需要一个文件：MPSO.m）。 提供了一个“example.m”脚本以帮助用户使用该实现。 还值得一提的是，为了便于理解，对代码进行了高度注释。 此实现基于Coello等人的论文。 (2004)，“使用粒子群优化处理多个目标”。 重要提示：您指定的目标函数必须是矢量化的。 这意味着它将采用整个种群（即矩阵 Np x nVar，其中 Np 是粒子数，nVar 是变量数）并且它期望接收每个粒子的适应度值（即，向量 Np × 1)。 如果函数没有被向量化并且只接收一个值，代码显然会引发错误。

粒子群优化最小二乘支持向量机matlab

解决最优化问题的方法 传统搜索方法 保证能找到最优解 Heuristic Search 不能保证找到最优解

利用matlab写了粒子群优化算法的一个脚本文件，每行代码都有详细注释，可以根据代码内容自行修改，实现自己需要的功能

带交叉因子的粒子群优化算法matlab源程序，有代码注释，比较容易理解！

针对惯性权重改进策略大多采用同代粒子使用相同权重,忽略了粒子本身特点以及不同维上的有效信息,提出一种基于不同粒子不同维的动态自适应惯性权重粒子群算法(AWPSO)。在该算法中利用矢量运算分析粒子进化公式,用一种新的方法构造惯性权重公式,使惯性权重随不同代不同粒子不同维动态改变,加快粒子收敛速度和全局搜索能力。通过对7个典型测试函数的测试结果表明,AWPSO在收敛速度,收敛精度,全局搜索能力方面比线性惯性权重粒子群算法(LDIWPSO)均有不同程度上的提高。