这是一个关于多目标粒子群算法，很有用，代码通用性强

使用于电力系统分析、最优潮流计算

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。

针对粒子滤波算法存在的粒子退化现象和重要性密度函数难以选取等问题，在研究交互式多模型滤波算法的基础上，设计一种基于随机加权自适应IMMUPF算法。首先，该算法在无迹粒子滤波的采样过程中融合了随机加权和交互式多模型滤波的优点，利用无迹卡尔曼滤波算法得到[k]时刻各模型估计最新量测信息的粒子；然后，对该组粒子进行输入交互作为各模型的输入，再经过模型匹配、重采样以及模型概率更新过程；最后，对各模型相对应的粒子进行输出交互，得到所有粒子的随机加权自适应和的表达式，循环更新粒子实现状态估计。将设计的算法应用于GPS/DR组合导航系统中进行仿真计算，结果表明，该算法计算得到的位置误差较UPF和IMMUPF有所减少，东向位置误差控制在[-8 m,+6 m]，北向位置误差控制在[-8 m,+8 m]，提高了GPS/DR组合导航系统定位的解算精度。

一个小小的DEMO,实现下雪下雨,可以下载下来看看,适合于初学着,让初步了解DX渲染,高手可以退让,简单有效的处理,简单有效的实现,效果可以根据需要自己调整

unity3D ParticleSystem 粒子特效碰撞检测 2Ddemo OnParticleTrigger OnParticleCollision

摘要：内核极限学习机（KELM）通过将低维空间中的线性不可分离数据转换为线性可分离的数据，从而增强了ExtremeLearning Machine（ELM）的鲁棒性。 然而，ELM的内部功率参数是随机初始化的，导致算法不稳定。本文采用主动算子粒子游动优化算法（APSO）来获得KELM的最优初始参数集，从而创建了一个最优的KELM分类器名为APSO-KELM。 在标准遗传数据集上进行的实验表明，与现有的ELM，KELM相比，APSO-KELM具有更高的分类准确性，并且这些算法将PSO / APSO与ELM / KELM相结合，例如PSO-KELM，APSO-ELM，PSO-ELM等。 ， APSO-KELM具有良好的稳定性和收敛性，被证明是一种可靠有效的分类算法。

针对目前城市场景下车载自组织网络中的 RSU 部署问题，提出了一种基于连接时长的 RSU 部署方案。该方案在RSU数量受限的情况下，以保证通信连接时长为前提，以最大化服务车辆数目为目的，将部署问题建模成最大覆盖问题，设计了二进制粒子群算法进行求解，并结合真实的北京市路网地图和出租车 GPS数据进行仿真实验。仿真结果表明，该算法是收敛、稳定及可行的，相比贪心算法，该算法求得的部署方案能为更多的车辆提供持续性的网络服务。

利用蒙特卡罗方法根据团簇团簇凝聚(CCA)模型对由球形原始粒子凝聚而成的烟尘团簇粒子进行了模拟,用离散偶极子近似(DDA)方法研究了烟尘团簇粒子随机取向时的激光散射特性,并与等效球形粒子的激光散射特性进行了比较。结果表明,等效球形粒子的激光散射特性与随机取向烟尘团簇粒子的激光散射特性存在着明显差别,不能用等效球形粒子来代替随机取向的团簇粒子;随机取向的烟尘团簇粒子的激光散射特性受基本粒子数量和粒径的影响比较大。该结果将为进一步研究随机取向团簇粒子的形成机理、形态特性以及激光在其中的传输特性提供了一种理论方法。

Simple TSP using PSO（使用pso粒子群算法实现TSP旅行商问题）包括matlab程序以及GUI仿真。