A. 粒子群算法工具箱怎么用
您好，看到您的问题将要被新提的问题从问题列表中挤出，问题无人回答过期后会被扣分并且悬赏分也将被没收！所以我给你提几条建议： 一，您可以选择在正确的分类下去提问或者到与您问题相关专业网站论坛里去看看，这样知道你问题答案的人才会多一些，回答的人也会多些。 二，您可以多认识一些知识丰富的网友，和曾经为你解答过问题的网友经常保持联系，遇到问题时可以直接向这些好友询问，他们会更加真诚热心为你寻找答案的。 三，该自己做的事还是必须由自己来做的，有的事还是须由自己的聪明才智来解决的，别人不可能代劳！只有自己做了才是真正属于自己的，别人只能给你提供指导和建议，最终靠自己。 您可以不采纳我的答案，但请你一定采纳我的建议哦！ 虽然我的答案很可能不能解决你的问题，但一定可以使你更好地使用问问哦~~~
B. 粒子群算法
粒子群算法（Particle Swarm Optimization），又称鸟群觅食算法，是由数学家J. Kennedy和R. C. Eberhart等开发出的一种新的进化算法。它是从随机解开始触发，通过迭代寻找出其中的最优解。本算法主要是通过适应度来评价解的分数，比传统的遗传算法更加的简单，它没有传统遗传算法中的“交叉”和“变异”等操作，它主要是追随当前搜索到的最优值来寻找到全局最优值。这种算法实现容易，精度高，收敛快等特点被广泛运用在各个问题中。
粒子群算法是模拟鸟群觅食的所建立起来的一种智能算法，一开始所有的鸟都不知道食物在哪里，它们通过找到离食物最近的鸟的周围，再去寻找食物，这样不断的追踪，大量的鸟都堆积在食物附近这样找到食物的几率就大大增加了。粒子群就是这样一种模拟鸟群觅食的过程，粒子群把鸟看成一个个粒子，它们拥有两个属性——位置和速度，然后根据自己的这两个属性共享到整个集群中，其他粒子改变飞行方向去找到最近的区域，然后整个集群都聚集在最优解附近，最后最终找到最优解。
算法中我们需要的数据结构，我们需要一个值来存储每个粒子搜索到的最优解，用一个值来存储整个群体在一次迭代中搜索到的最优解，这样我们的粒子速度和位置的更新公式如下：
其中pbest是每个粒子搜索到的最优解，gbest是整个群体在一次迭代中搜索到的最优解，v[i]是代表第i个粒子的速度，w代表惯性系数是一个超参数，rang()表示的是在0到1的随机数。Present[i]代表第i个粒子当前的位置。我们通过上面的公式不停的迭代粒子群的状态，最终得到全局最优解
C. 粒子群算法
粒子群算法（particle swarm optimization，PSO）是计算智能领域中的一种生物启发式方法，属于群体智能优化算法的一种，常见的群体智能优化算法主要有如下几类：
除了上述几种常见的群体智能算法以外，还有一些并不是广泛应用的群体智能算法，比如萤火虫算法、布谷鸟算法、蝙蝠算法以及磷虾群算法等等。
而其中的粒子群优化算法（PSO）源于对鸟类捕食行为的研究，鸟类捕食时，找到食物最简单有限的策略就是搜寻当前距离食物最近的鸟的周围。
设想这样一个场景：一群鸟在随机的搜索食物。在这个区域里只有一块食物，所有的鸟都不知道食物在哪。但是它们知道自己当前的位置距离食物还有多远。那么找到食物的最优策略是什么？最简单有效的就是搜寻目前离食物最近的鸟的周围区域。
Step1:确定一个粒子的运动状态是利用位置和速度两个参数描述的，因此初始化的也是这两个参数；
Step2:每次搜寻的结果（函数值）即为粒子适应度，然后记录每个粒子的个体历史最优位置和群体的历史最优位置；
Step3:个体历史最优位置和群体的历史最优位置相当于产生了两个力，结合粒子本身的惯性共同影响粒子的运动状态，由此来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内随机生成一个N x d 的矩阵，而对于速度则不用考虑约束，一般直接在0~1内随机生成一个50x1的数据矩阵。
此处的位置约束也可以理解为位置限制，而速度限制是保证粒子步长不超限制的，一般设置速度限制为[-1,1]。
粒子群的另一个特点就是记录每个个体的历史最优和种群的历史最优，因此而二者对应的最优位置和最优值也需要初始化。其中每个个体的历史最优位置可以先初始化为当前位置,而种群的历史最优位置则可初始化为原点。对于最优值，如果求最大值则初始化为负无穷，相反地初始化为正无穷。
每次搜寻都需要将当前的适应度和最优解同历史的记录值进行对比，如果超过历史最优值，则更新个体和种群的历史最优位置和最优解。
速度和位置更新是粒子群算法的核心，其原理表达式和更新方式：
每次更新完速度和位置都需要考虑速度和位置的限制，需要将其限制在规定范围内，此处仅举出一个常规方法，即将超约束的数据约束到边界（当位置或者速度超出初始化限制时，将其拉回靠近的边界处）。当然，你不用担心他会停住不动，因为每个粒子还有惯性和其他两个参数的影响。
粒子群算法求平方和函数最小值，由于没有特意指定函数自变量量纲，不进行数据归一化。
D. 粒子群算法 matlab 工具箱 在哪调用 还是没有现成的需要自己下载
http://www.mathworks.com/matlabcentral/fileexchange/7506
这个基复本上快算是官方的制了。粒子群算法工具。注册以后就可以下载了。
E. 用粒子群群算法优化BP神经网络的参数，进行极值寻优
这四个都属于人工智能算法的范畴。其中BP算法、BP神经网络和神经网络
属于神经网络这个大类。遗传算法为进化算法这个大类。
神经网络模拟人类大脑神经计算过程，可以实现高度非线性的预测和计算，主要用于非线性拟合，识别，特点是需要“训练”，给一些输入，告诉他正确的输出。若干次后，再给新的输入，神经网络就能正确的预测对于的输出。神经网络广泛的运用在模式识别，故障诊断中。BP算法和BP神经网络是神经网络的改进版，修正了一些神经网络的缺点。
遗传算法属于进化算法，模拟大自然生物进化的过程：优胜略汰。个体不断进化，只有高质量的个体（目标函数最小（大））才能进入下一代的繁殖。如此往复，最终找到全局最优值。遗传算法能够很好的解决常规优化算法无法解决的高度非线性优化问题，广泛应用在各行各业中。差分进化，蚁群算法，粒子群算法等都属于进化算法，只是模拟的生物群体对象不一样而已。
F. 用matlab实现粒子群优化算法的可视化模拟，跪求源代码！！！！
给你一个地址，是Mathworks公司网站上的，全球Matlab使用者将自己的代码在这里分享，这是粒子群算法PSO工具箱地址
http://www.mathworks.com/matlabcentral/fileexchange/7506-particle-swarm-optimization-toolbox
看看使用说明，用一下demo就会了，在界面的右下方有平面粒子显示
在这里你还可以搜到很多源代码，希望对你有帮助
G. 粒子群算法简单介绍
粒子群算法（也称粒子群优化算法（particle swarm optimization, PSO）），模拟鸟群随机搜索食物的行为。粒子群算法中，每个优化问题的潜在解都是搜索空间中的一只鸟，叫做“粒子”。所有的粒子都有一个由被优化的函数决定的适应值（fitness value），每个粒子还有一个速度决定它们“飞行”的方向和距离。
粒子群算法初始化为一群随机的粒子（随机解），然后根据迭代找到最优解。每一次迭代中，粒子通过跟踪两个极值来更新自己：第1个是粒子本身所找到的最优解，这个称为个体极值；第2个是整个种群目前找到的最优解，这个称为全局极值。也可以不用整个种群，而是用其中的一部分作为粒子的邻居，称为局部极值。
假设在一个D维搜索空间中，有N个粒子组成一个群落，其中第i个粒子表示为一个D维的向量：
第i个粒子的速度表示为：
还要保存每个个体的已经找到的最优解 ，和一个整个群落找到的最优解 。
第i个粒子根据下面的公式更新自己的速度和位置：
其中， 是个体已知最优解， 是种群已知最优解， 为惯性权重， , 为学习因子（或加速常数 acceleration constant)， , 是[0,1]范围内的随机数。
式(1)由三部分组成：
H. 粒子群算法在任务调度中的应用
毕业论文（设计）题目: 粒子群算法及其在任务调度中的应用
题目类型 理论研究 题目来源 教师科研题
毕业论文（设计）时间从 2008年2月24日至 2008年6月14日
1毕业论文（设计内容要求）：
多处理机调度问题是指有n台相同的处理机和m个独立的作业, 处理机以互不相关的方式处理作业,其中，任何作业可以在任何一台处理机上运行,但未完工前不允许中断作业,作业也不能拆分成更小的作业,使n个作业在尽可能短的时间内由这m台相同的处理机完成。粒子群算法是模拟鸟群觅食的过程,采用速度- 位置模型进行搜索。每个优化问题的解都是搜索空间的一只鸟,称为粒子,粒子群中的每个粒子通过追随个体最优粒子和全局最优粒子进行搜索.
本课题要求学生查找资料，学习、理解、掌握遗传算法的基本思想，总结遗传算法的改进方法，选定一种粒子群算法应用到多处理机调度问题并编程实现该算法，对该算法与首次最优匹配法在调度长度上进行实验比较 。
通过本次毕业设计，学生懂得如何查找资料并对资料进行分析总结，培养科研与独立分析问题的能力，掌握一门程序开发语言，培养程序开发技巧和能力。
I. 粒子群算法怎么应用在mppt中的
你的图没看懂，说下图之外的东西吧
粒子群算法作为搜索算法，你想搜索的参数有三个ke,kec,ku，那就设定每个粒子的维数是3，分别代表ke,kec,ku。
其次是目标函数：K=ku/(ke*kec)
最后也是我不知道的是候选解的搜索域，即，你想在哪个区间或空间中搜索ke,kec,ku，题主弄清楚这个就可以进行优化了。
J. 我利用粒子群算法工具箱求解最优值时陷入了局部最优该如何解决
粒子群陷入局部最优在所难免，建议可以采取加大权重因子的方法，或者一些改进的粒子群算法会提出对收敛的种群进行干扰，从而产生新的种群，另外可以采用量子粒子群算法，在局部最优问题上解决的还算可以