为使用PSO提供了具体的事例，并详细说明怎样使用该Matlab编写的PSO算法，对一般的问题有自创功能。
里面包含3个.m文件一个.doc文件，.doc文件讲授PSO算法的基本原理，并且采用实例讲解，.m文件为PSO算法实现的代码，详细用法已在word文档有说明，希望对你们有用。

1、集成了八种种群体智能算法：'PPNGA','SFLA','MSFLA','AF-SFLA','PSO','ABC','DEr1','DEb2'%2、顺应度函数开放了一个参数Parmaters，接收本文件Options.Parmaters传递的参数，实例参见m文件F3_Rastrigin.m%3、本程序设置了三个终止条件，终止条件3是必需的；
终止条件1,2是可选的，不需要时隐去代码即可%4、在优化参数设置中，小种群设置与大种群设置各有优势，实际工程问题不一定哪一种设置更好，要根据实验结果来确定%5、在算法参数设置中，缺省设置一般不需要改动，除非在原理上对改动所引起的结果变动有着更深入的理解

PPT是针对博主使用粒子群优化算法解决水面无人艇静态、动态障碍物规避，及场地规划三类问题，做了更深入的总结分析。
　　与目前火热的机器学习不同，智能优化算法需要对问题建立确定的模型，具有明确的优化目标函数，对优化变量不断的寻优。
通过对三种算法的问题描述、模型建立、算法参数确定、算法流程描述、计算结果分析，及从维度、优化变量、优化目标、针对业务的PSO优化四个方面，对应用在不同场景下的三种粒子群算法进行对比总结，旨在更彻底的剖析如何将粒子群优化算法应用到具体的问题中。
　　该PPT是原版包含动画的PPT（Office版本越高越好，至少2010，否则有些动画在低版本显示有问题），自我感觉PPT做的很正、很文艺范，是博主7年来打杂做各种PPT经验的大成之作（说白了也就这水平），相信看完原版PPT你就会觉得原来技术分享也可以这么文艺范！

%%若转载请注明：%farutoandliyang,LIBSVM-farutoUltimateVersion%atoolboxwithimplementsforsupportvectormachinesbasedonlibsvm,2009.%Softwareavailableathttp://www.matlabsky.com%%Chih-ChungChangandChih-JenLin,LIBSVM:alibraryfor%supportvectormachines,2001.Softwareavailableat%http://www.csie.ntu.edu.tw/~cjlin/libsvm这是faruto在libsvm基础上给出相应的辅助函数插件，方便用户来选取最佳的参数，包括：归一化函数:scaleForSVM；
pca降维预处理函数：pcaForSVM；
网格参数寻优函数(分类成绩):SVMcgForClass；
网格参数寻优函数(回归成绩):SVMcgForRegress；
利用PSO参数寻优函数(分类成绩):psoSVMcgForClass；
利用PSO参数寻优函数(回归成绩):psoSVMcgForRegress；
利用GA参数寻优函数(分类成绩):gaSVMcgForClass；
利用GA参数寻优函数(回归成绩):gaSVMcgForRegress

文章主要是用粒子群算法与离散傅里叶变换相结合的优化方法处理要优化的问题—优化储能系统（ESS）的尺寸和容量，减少成本以及温室气体的排放。
采用离散傅里叶变换（DFT）将所需的平衡功率分解成各种时变周期分量，用于计算混合储能系统所需的最大功率。
使用粒子群优化（PSO）算法执行成本分析以优化各种类型储能系统的尺寸和容量。
仿真结果揭示了ESS的最优分配效率。

二、粒子群算法的具体表述上面罗嗦了半天，那些都是科研工作者写论文的语气，不过，PSO的历史就像上面说的那样。
下面通俗的解释PSO算法。
PSO算法就是模拟一群鸟寻找食物的过程，每个鸟就是PSO中的粒子，也就是我们需要求解问题的可能解，这些鸟在寻找食物的过程中，不停改变自己在空中飞行的位置与速度。
大家也可以观察一下，鸟群在寻找食物的过程中，开始鸟群比较分散，逐渐这些鸟就会聚成一群，这个群忽高忽低、忽左忽右，直到最后找到食物。
这个过程我们转化为一个数学问题。
寻找函数y=1-cos(3*x)*exp(-x)的在[0,4]最大值。
-----------------------------------------------------------------标准粒子群算法的实现思想基本按照粒子群算法(2)----标准的粒子群算法的讲述实现。
主要分为3个函数。
第一个函数为粒子群初始化函数InitSwarm(SwarmSize......AdaptFunc)其主要作用是初始化粒子群的粒子，并设定粒子的速度、位置在一定的范围内。
本函数所采用的数据结构如下所示：表ParSwarm记录的是粒子的位置、速度与当前的适应度值，我们用W来表示位置，用V来代表速度，用F来代表当前的适应度值。
在这里我们假设粒子个数为N，每个粒子的维数为D。
---------------------------------------------------------------------

MATLAB的粒子群工具箱，包含使用文件，如何添加到MATLAB中使用等相关详细说明

PSO途径规划算法，源码

针对有功网损、电压偏差和静态电压稳定裕度的多目标无功优化问题，提出一种基于改进粒子群-禁忌搜索算法的多目标电力系统无功优化方法。
以最小特征值模为电压稳定裕度指标建立了3个目标函数的单一妥协模型。
应用Kent映射产生的混沌序列作为初始种群，保证初始种群的多样性和均匀性。
粒子群优化（PSO）算法进行前期计算时，采用凸函数递减惯性权重和自适应学习因子提高算法的收敛速度和精度；
针对PSO算法搜索精度不高和陷入局部最优的问题，在PSO算法后期收敛后引入禁忌搜索算法全局寻优。
基于群体适应度方差，引入模糊截集理论将模糊集合转化为经典集合，定义了经典集合下的收敛指标，当其值为0时进入禁忌搜索计算阶段，处理2种算法的切换问题。
将所提方法应用于IEEE14、IEEE30和IEEE118节点系统中，验证了其有效性和可行性。

FasterR-CNN+粒子群优化+图像配准首先利用深度学习FasterR-CNN，在训练好训练集的情况下检测和提取当前帧中的目标，利用5.1节的动目标提取算法校验目标；
然后以此作为接下来配准的模板，利用多自由度的图像配准来求解图像变换参数，并结合粒子群优化PSO的快速求解功能[20]，高速的配准定位、跟踪与提取目标，将算法处理速度提升到了每秒60帧以上（配准时的速度）。
在配准过程中，如果出现配准相似度低于设定阈值，则认为目标跟踪失败，此时将重新利用FasterR-CNN检测与提取新目标，并重复过程。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。