财务风险识别的研究具有十分重要的意义，针对当前财务风险识别方法存在误差大、效率低等弊端，以提高财务风险识别正确率为目标，提出了模式识别技术的财务风险识别方法。对当前各种财务风险识别方法进行分析，找到引起财务风险识别效果不理想的原因，引入模式识别技术中的在线极限学习机描述财务风险变化特点，并建立财务风险识别模型，采用具体实例与其他财务风险识别方法进行了对比实验。结果表明，文中方法减少了财务风险出现误识的概率，财务风险识别正确率得到了明显的改善，财务风险识别速度加快，具有较明显的优势。

针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心,使其跳出局部最优,实现模糊聚类。主要从反映数据集分类的类内紧致性程度和类间分离性程度的角度考虑,重新设计适应度函数。实验结果表明,提出的算法在聚类正确率和有效性指标上有更好的效果。

结合电动汽车动力系统最优参数确定的粒子群优化算法。其中具体包括普通的粒子群优化算法以及改良版本粒子群优化算法，该实例为汽车动力链优化设计以及最优参数（六个优化变量）确定，其中调用了simulink模型。构建了电机模型，拉维娜式行星齿轮机构模型，电池模型等。

针对粒子群算法的早熟收敛问题，提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值，根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力，增大寻找全局最优的几率。对几种典型函数的测试结果表明，新算法的全局搜索能力有了明显的提高，有效避免了早熟收敛问题。

多个函数利用多种粒子群算法解决优化问题： 用二阶粒子群优化算法求解无约束优化问题 用二阶振荡粒子群优化算法求解无约束优化问题 用混沌粒子群优化算法求解无约束优化问题 用基于选择的粒子群优化算法求解无约束优化问 用基于交叉遗传的粒子群优化算法求解无约束优化问 用基于模拟退火的粒子群优化算法求解无约束优化问题用随机权重粒子群优化算法求解无约束优化问题 用学习因子同步变化的粒子群优化算法求解无约束优化问题 用学习因子异步变化的粒子群优化算法求解无约束优化问题

基于改进人工蜂群算法的多阈值图像分割

Optimal Micro-siting of Wind Farms by Particle Swarm Optimization

采用PSO粒子群优化算法求解TSP旅行商问题 1、输入数据为bayg29.tsp 2、城市数量citycount为29，种群规模Pop_Size为30，迭代次数为500，学习因子 c1、c2取2，惯性权重因子w取0.8，粒子速度最大值绝对值取3.0； 3、运行main.cpp，即可得到最优路径及对应的最短距离，同时粒子群初始化的结果和每次迭代后种群各粒子的路径和距离都会输出到result.txt中。

粒子群优化m文件，参数作为函数自变量，优化某一函数时，直接运行

针对粒子群容易陷入局部最优的情况，加入了小生境技术，避免了粒子群陷入局部最优，保持种群多样性的优点！