一种新的求解动态连续优化的分层粒子群算法

针对粒子群多模优化问题中存在的易早熟、收敛速度慢及寻优精度低等问题，提出了一种快速多种群的粒子群多模优化算法。首先采用动态半径及种群划分策略，避免了多种群区域重叠问题；然后引入拓扑机制，使种群内粒子在

针对粒子群优化算法中出现早熟和不收敛问题，分析了基本PSO算法参数对其优化性能的影响，提出了基于非线性权重的自适应粒子群优化算法（NWAPSO）。在优化过程中，惯性权重随迭代次数非线性变化，改进的算法

针对复杂背景下的运动目标跟踪特征选择问题，提出了一种基于粒子群优化的目标跟踪特征选择算法。假设具有目标与背景间最好可分离性的特征为最好的跟踪特征。通过构建目标与背景的图像特征分布方差的比值函数作为衡量

为提高多目标粒子群优化（MOPSO）算法处理多目标优化问题的性能，降低计算复杂度，改善算法的收敛性，提出了一种改进的多目标粒子群优化算法。通过运用比例分布及跳数改进机制策略的方法，使该算法不仅继承了M

多机器人共同创建大规模地图，实现的关键在于机器人相对位置未知的情况下将多张局部栅格地图进行拼接。结合图像特征匹配的方法和改进的粒子群优化算法，先提取待拼接的两幅栅格地图的特征点进行匹配，并筛选有效特征

现在讨论另一种生物系统---社会系统：由简单个体组成的群落和环境及个体之间的相互行为。也可称为 　群智能(swarm intelligence) 　这些模拟系统利用局部信息从而可以产生不可预测的群行为

粒子群优化算法自提出以来，由于其容易理解、易于实现，所以发展很快，在很多领域得到了应用9通过对粒子 群算法全局极值和个体极值选取方式的改进，提出了一种用于求解多目标优化问题的算法，实现了对多目标优化问

粒子群优化算法求解旅行商问题这个是完整论文

Dynamic parking guidance technology based on particle swarm optimization

0-1背包问题是组合优化中经典的NP难题，在蚁群算法的基础上结合量子计算提出一种求解0-1背包问题的量子蚁群算法。算法采用量子比特表示信息素，用量子旋转门来更新信息素。大量数据实例的比较测试表明，算法