- 上一篇：C#+sqlserver个人档案管理系统的设计+源代码
- 下一篇：C语言家族成员档案管理系统的设计+源代码
生物学家Craig Reynolds在1987年提出了鸟群聚集模型，在他的仿真中，每一个个体遵循：
(1) 避免与邻域个体相冲撞；
(2) 匹配邻域个体的速度；
(3) 飞向鸟群中心，且整个群体飞向目标。
利用上面三条简单的规则，非常接近的模拟出鸟群飞行的现象。
2.2算法原理
PSO从这种模型中得到启示并用于解决优化问题。PSO 中，每个优化问题的潜在解都是搜索空间中的一只鸟，称之为粒子。所有的粒子都有一个由被优化的函数决定的适应度，每个粒子还有一个速度决定它们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。
PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己；第一个就是粒子本身所找到的最优解，这个解称为个体极值；另一个极值是整个种群目前找到的最优解，这个极值是全局极值。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。
粒子群算法核心公式 和 ，其中c1和c2为学习因子，w为惯性权重，r1,r2为0~1之间的随机数，为第i个粒子的速度，为每个粒子所出现的最佳位置，为所有粒子出现的最佳位置，为每个粒子所在位置。粒子群算法就是粒子趋向最优粒子运动的算法，最后求出最优的粒子最优位置。
公式中第一部分是粒子的先前速度，说明粒子目前的状态，在搜索初期较大的值有利于跳出局部极小点，搜索后期较小的值有利于算法收敛；第二部分是个体的认知部分，这部分使粒子有较强的全局搜索能力，避免陷入局部极小；第三部分是社会共享信息，这部分将使粒子从其它优秀粒子中汲取经验，加强搜索能力
-
Hadoop云计算环境下的Web应用日志安全威胁分析
-
云虚拟环境下资源分配优化算法的研究
-
生物信息云平台上的微生物群落拓扑分析
-
CC2530云服务的智能家居系统的设计
-
网络环境下电子报纸开发利用现状及模式研究
-
网络外部性下电子商务网...
-
Android平台下电话区号查询系统的实现
java+mysql车辆管理系统的设计+源代码
当代大学生慈善意识研究+文献综述
电站锅炉暖风器设计任务书
杂拟谷盗体内共生菌沃尔...
中考体育项目与体育教学合理结合的研究
河岸冲刷和泥沙淤积的监测国内外研究现状
十二层带中心支撑钢结构...
乳业同业并购式全产业链...
大众媒体对公共政策制定的影响
酸性水汽提装置总汽提塔设计+CAD图纸