基本鸽群优化算法，由北京航空航天大学段海滨教授等人提出，可用于解决优化问题，收敛速度较快

传统粒子群算法的matlab实现代码，PSO是粒子群优化算法（——Particle Swarm Optimization）的英文缩写，是一种基于种群的随机优化技术，由Eberhart和Kennedy于1995年提出。粒子群算法模仿昆虫、兽群、鸟群和鱼群等的群集行为，这些群体按照一种合作的方式寻找食物，群体中的每个成员通过学习它自身的经验和其他成员的经验来不断改变其搜索模式。

方便大家用于实现目标对象的动态优化，其中包括动态粒子群优化算法和动态蜂群优化算法

本代码是matlab的代码，毕业设计的三个算法，对原来的粒子群算法进行改进，分别是混沌粒子群，和GAPSO得到的效果还不错，注意这是代码，源代码。

粒子群算法的并行实现算法，有利于加深对粒子群算法的理解

粒子群优化算法的简单例子，实现对非线性函数的极值寻优

标准的粒子群优化算法优化、求解CEC基准测试函数，算法有详细的注释，算法收敛曲线图，测试函数的代码表达式及图像（pdf）。

对于RBF神经网路模型，利用粒子群优化算法进行对权值优化，达到准确的预测效果！

针对基本粒子群优化(basic particle swarm optimization,简称bPSO)算法容易陷入局部极值、进化后期 的收敛速度慢和精度低等缺点,采用简化粒子群优化方程和添加极值扰动算子两种策略加以改进,提出了简化 粒子群优化(simple particle swarm optimization,简称sPSO)算法、带极值扰动粒子群优化(extremum disturbed particle swarm optimization,简称tPSO)算法和基于二者的带极值扰动的简化粒子群优化(extremum disturbed and simple particle swarm optimization,简称tsPSO)算法.sPSO 去掉了PSO 进化方程的粒子速度项而使原来的二阶微 分方程简化为一阶微分方程,仅由粒子位置控制进化过程,避免了由粒子速度项引起的粒子发散而导致后期收 敛变慢和精度低问题.tPSO 增加极值扰动算子可以加快粒子跳出局部极值点而继续优化.对几个经典测试函数 进行实验的结果表明,sPSO 能够极大地提高收敛速度和精度;tPSO 能够有效摆脱局部极值点;以上两种策略相 结合,tsPSO 以更小的种群数和进化世代数获得了非常好的优化效果,从而使得PSO 算法更加实用化.

利用极限学习机和粒子群优化算法同时对WNN优化，然后对有效停车泊位进行预测，仿真表明在提高预测精度的同时，有效的减少了预测所需时间。