1、(4)PSO算法是一种启发式的仿生优化算法，当前还没有严格的理论基础，仅仅是通过对某种群体搜索现象的简化模拟而设计的，但并没有从原理上说明这种算法为什么有效，以及它适用的范围。
创新互联服务项目包括浚县网站建设、浚县网站制作、浚县网页制作以及浚县网络营销策划等。多年来，我们专注于互联网行业，利用自身积累的技术优势、行业经验、深度合作伙伴关系等，向广大中小型企业、政府机构等提供互联网行业的解决方案，浚县网站推广取得了明显的社会效益与经济效益。目前，我们服务的客户以成都为中心已经辐射到浚县省份的部分城市，未来相信会继续扩大服务区域并继续获得客户的支持与信任！
2、第六类方案是通过将PSO算法与一些其他的搜索技术进行结合来提高PSO算法的性能，主要目的有二，其一是提高种群多样性，避免早熟；其二是提高算法局部搜索能力。
3、但是在PSO算法中，只有gBest（或nBest）给其他微粒提供信息，是一种单向信息共享机制。由于点吸引特性，传统的PSO算法不能同时定位构成Pareto前锋的多个最优点。
4、该算法根据PSO并行计算的特点，采用PSO和二进制粒子群优化算法(binary particle swarm optimization，BPSO)相结合的方式，对转换开关状态和DG注入功率2种控制变量同时处理，达到配电网网损、电压偏差最小的目的。
5、粒子群优化（Particle Swarm Optimization，PSO)算法是1995年由美国学者Kennedy等人提出的，该算法是模拟鸟类觅食等群体智能行为的智能优化算法。在自然界中，鸟群在觅食的时候，一般存在个体和群体协同的行为。
自带GUI界面，共有9中算法，可解决各种TSP问题，效果不错。
min l=σd(t(i)，t(i+1)) （i=1，…，n）旅行商问题是一个典型的组合优化问题，并且是一个np难问题，其可能的路径数目与城市数目n是成指数型增长的，所以一般很难精确地求出其最优解，本文采用遗传算法求其近似解。
这时一个多目标组合优化问题，NP完全问题，没有那么简单，属于世界性的难题。可以使用遗传算法、粒子群算法等模拟演化算法求解得到一个近优解，没有算法能保证得到一个最优解。
这个看你设置吧，如果你直接适应度函数设为目标函数，那么适应度值当然越小越好。如果你把适应度设为目标函数的倒数，那么适应度越大越好。
TSP，只是一个普通但很经典的NP-C问题。具有大的难以想象的解空间。一般的branch-and-bound算法是很难搞定的。于是，人们尝试智能算法，包括遗传算法，蚁群算法，粒子群算法等。遗传算法和蚁群算法都是基于种群的。
1、定义粒子群优化算法(Particle Swarm optimization，PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。
2、rand是0～1之间的随机数。二进制PSO首先将粒子初始化为0和1组成的序列。二进制PSO算法是对式（2）作些改变，其位置更新如式（3）所示（程志刚等，2007）：高光谱遥感影像信息提取技术 式中： 是 Sigmoid 函数。
3、Al-kazemi提出多阶段PSO算法，将微粒按不同阶段的临时搜索目标分组，这些临时目标允许微粒向着或背着它自己或全局最好位置移动。
