A. 粒子群演算法工具箱怎麼用
您好，看到您的問題將要被新提的問題從問題列表中擠出，問題無人回答過期後會被扣分並且懸賞分也將被沒收！所以我給你提幾條建議： 一，您可以選擇在正確的分類下去提問或者到與您問題相關專業網站論壇里去看看，這樣知道你問題答案的人才會多一些，回答的人也會多些。 二，您可以多認識一些知識豐富的網友，和曾經為你解答過問題的網友經常保持聯系，遇到問題時可以直接向這些好友詢問，他們會更加真誠熱心為你尋找答案的。 三，該自己做的事還是必須由自己來做的，有的事還是須由自己的聰明才智來解決的，別人不可能代勞！只有自己做了才是真正屬於自己的，別人只能給你提供指導和建議，最終靠自己。 您可以不採納我的答案，但請你一定採納我的建議哦！ 雖然我的答案很可能不能解決你的問題，但一定可以使你更好地使用問問哦~~~
B. 粒子群演算法
粒子群演算法（Particle Swarm Optimization），又稱鳥群覓食演算法，是由數學家J. Kennedy和R. C. Eberhart等開發出的一種新的進化演算法。它是從隨機解開始觸發，通過迭代尋找出其中的最優解。本演算法主要是通過適應度來評價解的分數，比傳統的遺傳演算法更加的簡單，它沒有傳統遺傳演算法中的「交叉」和「變異」等操作，它主要是追隨當前搜索到的最優值來尋找到全局最優值。這種演算法實現容易，精度高，收斂快等特點被廣泛運用在各個問題中。
粒子群演算法是模擬鳥群覓食的所建立起來的一種智能演算法，一開始所有的鳥都不知道食物在哪裡，它們通過找到離食物最近的鳥的周圍，再去尋找食物，這樣不斷的追蹤，大量的鳥都堆積在食物附近這樣找到食物的幾率就大大增加了。粒子群就是這樣一種模擬鳥群覓食的過程，粒子群把鳥看成一個個粒子，它們擁有兩個屬性——位置和速度，然後根據自己的這兩個屬性共享到整個集群中，其他粒子改變飛行方向去找到最近的區域，然後整個集群都聚集在最優解附近，最後最終找到最優解。
演算法中我們需要的數據結構，我們需要一個值來存儲每個粒子搜索到的最優解，用一個值來存儲整個群體在一次迭代中搜索到的最優解，這樣我們的粒子速度和位置的更新公式如下：
其中pbest是每個粒子搜索到的最優解，gbest是整個群體在一次迭代中搜索到的最優解，v[i]是代表第i個粒子的速度，w代表慣性系數是一個超參數，rang()表示的是在0到1的隨機數。Present[i]代表第i個粒子當前的位置。我們通過上面的公式不停的迭代粒子群的狀態，最終得到全局最優解
C. 粒子群演算法
粒子群演算法（particle swarm optimization，PSO）是計算智能領域中的一種生物啟發式方法，屬於群體智能優化演算法的一種，常見的群體智能優化演算法主要有如下幾類：
除了上述幾種常見的群體智能演算法以外，還有一些並不是廣泛應用的群體智能演算法，比如螢火蟲演算法、布穀鳥演算法、蝙蝠演算法以及磷蝦群演算法等等。
而其中的粒子群優化演算法（PSO）源於對鳥類捕食行為的研究，鳥類捕食時，找到食物最簡單有限的策略就是搜尋當前距離食物最近的鳥的周圍。
設想這樣一個場景：一群鳥在隨機的搜索食物。在這個區域里只有一塊食物，所有的鳥都不知道食物在哪。但是它們知道自己當前的位置距離食物還有多遠。那麼找到食物的最優策略是什麼？最簡單有效的就是搜尋目前離食物最近的鳥的周圍區域。
Step1:確定一個粒子的運動狀態是利用位置和速度兩個參數描述的，因此初始化的也是這兩個參數；
Step2:每次搜尋的結果（函數值）即為粒子適應度，然後記錄每個粒子的個體歷史最優位置和群體的歷史最優位置；
Step3:個體歷史最優位置和群體的歷史最優位置相當於產生了兩個力，結合粒子本身的慣性共同影響粒子的運動狀態，由此來更新粒子的位置和速度。
位置和速度的初始化即在位置和速度限制內隨機生成一個N x d 的矩陣，而對於速度則不用考慮約束，一般直接在0~1內隨機生成一個50x1的數據矩陣。
此處的位置約束也可以理解為位置限制，而速度限制是保證粒子步長不超限制的，一般設置速度限制為[-1,1]。
粒子群的另一個特點就是記錄每個個體的歷史最優和種群的歷史最優，因此而二者對應的最優位置和最優值也需要初始化。其中每個個體的歷史最優位置可以先初始化為當前位置,而種群的歷史最優位置則可初始化為原點。對於最優值，如果求最大值則初始化為負無窮，相反地初始化為正無窮。
每次搜尋都需要將當前的適應度和最優解同歷史的記錄值進行對比，如果超過歷史最優值，則更新個體和種群的歷史最優位置和最優解。
速度和位置更新是粒子群演算法的核心，其原理表達式和更新方式：
每次更新完速度和位置都需要考慮速度和位置的限制，需要將其限制在規定范圍內，此處僅舉出一個常規方法，即將超約束的數據約束到邊界（當位置或者速度超出初始化限制時，將其拉回靠近的邊界處）。當然，你不用擔心他會停住不動，因為每個粒子還有慣性和其他兩個參數的影響。
粒子群演算法求平方和函數最小值，由於沒有特意指定函數自變數量綱，不進行數據歸一化。
D. 粒子群演算法 matlab 工具箱 在哪調用 還是沒有現成的需要自己下載
http://www.mathworks.com/matlabcentral/fileexchange/7506
這個基復本上快算是官方的制了。粒子群演算法工具。注冊以後就可以下載了。
E. 用粒子群群演算法優化BP神經網路的參數，進行極值尋優
這四個都屬於人工智慧演算法的范疇。其中BP演算法、BP神經網路和神經網路
屬於神經網路這個大類。遺傳演算法為進化演算法這個大類。
神經網路模擬人類大腦神經計算過程，可以實現高度非線性的預測和計算，主要用於非線性擬合，識別，特點是需要「訓練」，給一些輸入，告訴他正確的輸出。若干次後，再給新的輸入，神經網路就能正確的預測對於的輸出。神經網路廣泛的運用在模式識別，故障診斷中。BP演算法和BP神經網路是神經網路的改進版，修正了一些神經網路的缺點。
遺傳演算法屬於進化演算法，模擬大自然生物進化的過程：優勝略汰。個體不斷進化，只有高質量的個體（目標函數最小（大））才能進入下一代的繁殖。如此往復，最終找到全局最優值。遺傳演算法能夠很好的解決常規優化演算法無法解決的高度非線性優化問題，廣泛應用在各行各業中。差分進化，蟻群演算法，粒子群演算法等都屬於進化演算法，只是模擬的生物群體對象不一樣而已。
F. 用matlab實現粒子群優化演算法的可視化模擬，跪求源代碼！！！！
給你一個地址，是Mathworks公司網站上的，全球Matlab使用者將自己的代碼在這里分享，這是粒子群演算法PSO工具箱地址
http://www.mathworks.com/matlabcentral/fileexchange/7506-particle-swarm-optimization-toolbox
看看使用說明，用一下demo就會了，在界面的右下方有平面粒子顯示
在這里你還可以搜到很多源代碼，希望對你有幫助
G. 粒子群演算法簡單介紹
粒子群演算法（也稱粒子群優化演算法（particle swarm optimization, PSO）），模擬鳥群隨機搜索食物的行為。粒子群演算法中，每個優化問題的潛在解都是搜索空間中的一隻鳥，叫做「粒子」。所有的粒子都有一個由被優化的函數決定的適應值（fitness value），每個粒子還有一個速度決定它們「飛行」的方向和距離。
粒子群演算法初始化為一群隨機的粒子（隨機解），然後根據迭代找到最優解。每一次迭代中，粒子通過跟蹤兩個極值來更新自己：第1個是粒子本身所找到的最優解，這個稱為個體極值；第2個是整個種群目前找到的最優解，這個稱為全局極值。也可以不用整個種群，而是用其中的一部分作為粒子的鄰居，稱為局部極值。
假設在一個D維搜索空間中，有N個粒子組成一個群落，其中第i個粒子表示為一個D維的向量：
第i個粒子的速度表示為：
還要保存每個個體的已經找到的最優解 ，和一個整個群落找到的最優解 。
第i個粒子根據下面的公式更新自己的速度和位置：
其中， 是個體已知最優解， 是種群已知最優解， 為慣性權重， , 為學習因子（或加速常數 acceleration constant)， , 是[0,1]范圍內的隨機數。
式(1)由三部分組成：
H. 粒子群演算法在任務調度中的應用
畢業論文（設計）題目: 粒子群演算法及其在任務調度中的應用
題目類型 理論研究 題目來源 教師科研題
畢業論文（設計）時間從 2008年2月24日至 2008年6月14日
1畢業論文（設計內容要求）：
多處理機調度問題是指有n台相同的處理機和m個獨立的作業, 處理機以互不相關的方式處理作業,其中，任何作業可以在任何一台處理機上運行,但未完工前不允許中斷作業,作業也不能拆分成更小的作業,使n個作業在盡可能短的時間內由這m台相同的處理機完成。粒子群演算法是模擬鳥群覓食的過程,採用速度- 位置模型進行搜索。每個優化問題的解都是搜索空間的一隻鳥,稱為粒子,粒子群中的每個粒子通過追隨個體最優粒子和全局最優粒子進行搜索.
本課題要求學生查找資料，學習、理解、掌握遺傳演算法的基本思想，總結遺傳演算法的改進方法，選定一種粒子群演算法應用到多處理機調度問題並編程實現該演算法，對該演算法與首次最優匹配法在調度長度上進行實驗比較 。
通過本次畢業設計，學生懂得如何查找資料並對資料進行分析總結，培養科研與獨立分析問題的能力，掌握一門程序開發語言，培養程序開發技巧和能力。
I. 粒子群演算法怎麼應用在mppt中的
你的圖沒看懂，說下圖之外的東西吧
粒子群演算法作為搜索演算法，你想搜索的參數有三個ke,kec,ku，那就設定每個粒子的維數是3，分別代表ke,kec,ku。
其次是目標函數：K=ku/(ke*kec)
最後也是我不知道的是候選解的搜索域，即，你想在哪個區間或空間中搜索ke,kec,ku，題主弄清楚這個就可以進行優化了。
J. 我利用粒子群演算法工具箱求解最優值時陷入了局部最優該如何解決
粒子群陷入局部最優在所難免，建議可以採取加大權重因子的方法，或者一些改進的粒子群演算法會提出對收斂的種群進行干擾，從而產生新的種群，另外可以採用量子粒子群演算法，在局部最優問題上解決的還算可以