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。

为了解决强耦合问题和控制过程中参数难于调节的问题,提出了基于忆阻的自适应单神经元多变量解耦PID控制器,根据传统控制器的结构和原理,构建了两变量解耦控制器的结构。分析了两变量解耦控制器的性能,给出了实验仿真结果。通过实验结果,发现这个新的两变量解耦控制器具有较高的控制可靠性、较好的适应性,比传统的控制器学习速度快。最后得到了一个理想的、自适应、自组织的多变量解耦控制器,并获得了较好的控制效果。

应用于单片机的pid 封装，很方便，注释很详细，请珍惜分享

PID串级控制结构和simulink仿真

（转）简单的pso经典算法实现对图像的匹配，简单程序，适合初学者进行pso和匹配的学习 这几个m文件程序的主要目的是实现用智能算法的中的 粒子群的方法来对图像进行匹配，也就是最终找到实时图像 在基准图像中的坐标位置。 ----------------------------------------------------- 1. 基准图像lena_basic 实时图像lena_time 2. pre_preare.m 功能是用来修改保存的实时图像的 3. simple_fitness.m 功能是用全遍历所有的匹配位置，将相关度数据保存在 在一个矩阵中（这里用了一个较为简单的相关度算法）。 4. pso_match.m 是主程序，用pso算法对图像进行匹配，具体实现代码有注释 总体是通过Matlab编程实现的

PI、II型、PID控制器LTspice仿真模型。 加入了偏置电路调节工作点。

代码中的参数不是固定的，对于不同的情况，可能需要不同的参数，参数优化配置非常重要，同一种算法，不同的参数可能造成结果迥异。 对于LJPSO算法，既可以以一个粒子的速度为单位，也可以以某一维度为单位，本代码是以一个粒子为单位衡量速度的。 至于CPSO算法，选择最差的多少个粒子也决定于具体问题。 而MPSO则是非常的灵活，本代码只展示了一种搭配方式。

（转）用遗传算法GA 来实现图像配准，基于互信息进行适应度判断

粒子群优化VMD 有示例

PID控制器的优化问题就是确定一组合适的参数Ki