1、粒子群算法发展历史简介 由Kennedy和Eberhart于1995年提出． 群体迭代，粒子在解空间追随最优的粒子进行搜索. 简单易行 粒子群算法: 收敛速度快 设置参数少 由Kennedy和Eberhart于1995年提出． 群体迭代，粒子在解空间追随最优的粒子进行搜索. 简单易行 粒子群算法: 收敛速度快 设置参数少

针对智能单粒子优化算法(ISPO)容易出现算法早熟、收敛精度低的现象, 提出一种基于高斯变异的智能单粒子算法(GISPO)。当粒子陷入局部最优值, 每一维速度会降到一定的阈值, 整个粒子进化处于缓慢阶段; 此时给予搜索到的历史最优极值一个自适应的高斯变异扰动, 会大大提高粒子的逃逸能力, 帮助粒子快速地跳出局部极值点, 不断地向全局最优解靠近。通过几个标准测试函数进行实验, 结果表明该算法的收敛速度、搜索精度和稳定性均优于ISPO算法。

粒子群的matlab代码SHPSO_code 代理辅助分层粒子群优化的代码 代理辅助层次粒子群算法（SHPSO）的实现 H.Yu，Y.Tan，Z.Zeng，C.Sun，Y.Jin，代理辅助层次粒子群优化，信息科学，454-455（2018）59-72。 每当将本文和此代码用于为用户自己的研究生成结果时，都应引用该文件和此代码。 该matlab代码由于海波编写：太原科技大学机械工程学院 请参考所有问题，评论，错误报告等以

针对粒子滤波方法存在粒子贫乏以及初始状态未知时需要大量粒子才能进行鲁棒状态预估等问题,将粒子群优化思想引入粒子滤波中.该方法将最新观测值融合到采样过程中,并对采样过程利用粒子群优化算法进行优化.通过优化,可使粒子集朝后验概率密度分布取值较大的区域运动,从而克服了粒子贫乏问题,并极大地降低了精确预估所需的粒子数.实验结果表明,该算法具有较高的预估精度和较好的鲁棒性.

针对传统PID控制系统参数整定过程存在的在线整定困难和控制品质不理想等问题，结合BP神经网络自学习和自适应能力强等特点，提出采用BP神经网络优化PID控制器参数。其次，为了加快BP神经网络学习收敛速度，防止其陷入局部极小点，提出采用粒子群优化算法来优化BP神经网络的连接权值矩阵。最后，给出了PSO-BP算法整定优化PID控制器参数的详细步骤和流程图，并通过一个PID控制系统的仿真实例来验证本文所提算法的有效性。仿真结果证明了本文所提方法在控制品质方面优于其它三种常规整定方法。

粒子群优化RBF神经网络极其应用的两篇好文献，第一篇介绍优化原理，第二篇阐述了优化网络在入侵检测方面的应用。

粒子群优化算法（Particle Swarm Optimization，PSO）是进化计算的一个分支，是一种模拟自然界的生物活动的随机搜索算法。 PSO模拟了自然界鸟群捕食和鱼群捕食的过程。通过群体中的协作寻找到问题的全局最优解。它是1995年由美国学者Eberhart和Kennedy提出的，现在已经广泛应用于各种工程领域的优化问题之中。 ———————————————— 介绍链接：https://blog.csdn.net/qq_44186838/article/details/109212631

基于粒子群优化和变邻域搜索的混合调度算法.pdf

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.

单变量粒子群优化算法演示程序，可观察研究粒子在优化过程中的行为。代码为 C++ & VS2010。