一些关于粒子群算法的文献一种基于离散粒子群的自适应径向基网络模型.pdf

针对传统的聚类算法存在对初始化值敏感和容易陷入局部极值等缺点，提出一种确定聚类中心数目和位置的方法。用每一个粒子表示一组聚类中心，采用云理论改造粒子群算法，从而提高粒子群算法的性能，以便搜索到更合理的

提出一种改进的多目标粒子群优化算法，该算法采用精英归档策略，由档案库中的非劣解提供粒子速度更新时的全局最优位置，根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的线密度度量非劣解前端的

为了提高基本PSO算法搜索性能和个体寻优能力，加快收敛速度，提出一种新的云自适应粒子群优化算法（CPSO）。此算法利用云滴具有随机性、稳定倾向性等特点,结合不同粒子与全局最优点的距离动态变化的性质，提

提出Vague集（值）之间的新相似度量，给出一个区间值数据向Vague值数据的转化公式。农业领域的应用实例进一步表明这些公式是实用的。

粒子群优化算法（PSO）是一种群体智能算法，通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点，提出了一种多向学习型的粒子群优化

粒子群算法的适应度函数

基于FPGA的粒子群算法的模块代码，并未完全实现，包含控制模块、种群初始化模块、局部最优、全局最优、速度与位置更新模块、存储器、小数乘法器、随机数发生器。重申一遍:参考用，适应度计算未实现

粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源于对鸟群捕食的行为研究 。该算法最初是

利用遗传，模拟退火以及粒子群算法来求解TSP问题

一本可以称为PSO圣经的书，书名就是ParticleSwarmOptimization。英文原版，不会让你失望的。