基于子类划分和粒子群优化的自适应编码多类分类方法

粒子群算法优化支持向量机（PSO-SVM）应用于分类问题时，相比单一支持向量机（SVM），展现出更优越的性能。

MATLAB代码实现了LSTM（长短时记忆模型）、粒子群优化LSTM（psolstm）和量子粒子群优化LSTM（QPSOLSTM），可用于风电、光伏等负荷预测和时序预测。数据为单输入单输出，简单替换即

为了提高粒子群算法的寻优速度和精度，提出一种改进的云自适应粒子群算法（MCAPSO）。算法中根据粒子适应度值把种群分为三个子群，分别采用不同的惯性权重生成策略和进化策略，普通子群粒子采用云自适应惯性权

多线索融合是解决复杂情况下跟踪问题的有效手段, 为此提出一种基于自适应分块目标模型的多线索融合 粒子滤波跟踪方法. 根据目标颜色分布自适应分块建立目标描述模型, 可提高对目标初始描述的适应性; 采用多

为了克服标准量子粒子群优化（SQPSO）算法易陷入局部最优的缺点,引入变异机制,基于进化阶段的概念,提出了自适应阶段变异量子粒子群优化(APMQPSO)算法。以四种不同的变异概率减小方式阶段性地对QP

相对于2D NoC,3D NoC具有更好的集成度和系统性能,是解决低功耗映射的一个可靠途径。在传统粒子群算法(PSOA, particle swarm optimization algorithm)的

在使用Fluent软件进行自适应网格时，我们可能会遇到一些问题和挑战，本文将分享一些优化Fluent自适应网格的方法和技巧。首先，我们需要了解自适应网格的原理和流程，然后针对性地调整网格参数和设置，不

在多峰值函数优化中,基本粒子群算法进化后期收敛速度较慢，对粒子群算法进行了改进

粒子群算法(Particle Swarm Optimizer，PSO)是由 Kennedy 和 Eberhart 博士提出的一种基于群体智能的优 化算法,其基本思想是受到他们早期对许多鸟类的群体行为进

为了解决粒子群种群多样性低、容易陷入局部最优的缺点，结合最优粒子和其他粒子在种群中的不同作用，给出了一种自适应变异粒子群算法。算法中最优粒子根据种群进化程度，自适应调整自身搜索邻域大小，增强种群的局部