pso优化算法
‘壹’ 粒子群优化算法的PSO
这个属于多目标优化问题，你可以把参考价格、外观样式、网络类型、屏幕参数和摄像头像素等分别给予不同的权重值，作为一个目标函数，目标函数值就是综合评价得分，然后用微粒群算法求解。
‘贰’ 如何利用 PSO 粒子群优化算法，优化目标函数后，得到粒子的分布，而且粒子之间满足一定的距离要求。
可以使得粒子在满足一定概率分布的条件下更新，这个或许是你说的（参考量子粒子群）
粒子群其实是随即算法，既然是随机，就存在许多不可控的因素，按你说的条件，如果太严格的话可能会失去随机算法的优势
‘叁’ 如何用pso算法优化离散数据（matlab程序）
如果你是想找一个三阶的多项式拟合你的离散数据的话，可以用PSO。
直接用基础pso就可以，不过你的适应度函数是三维(因为是3阶的多项式)，要利用你的数据编一个，常用的话就是差值平方和，就是fitness=(真实值1-多项式计算值1)^2+(真实值2-多项式计算值2)^2+...... 你有13组数据就可以加13次够了，不过提醒一下，你的每个变量的范围要注意设置。
如果还有不懂的可以M我，不过我不常在(⊙o⊙)哦，谢谢
‘肆’ 哪位大神指点一下粒子群优化算法（PSO）的输入和输入分别是什么
适应度函数应由具体问题而自己去选择。比如你想用PSO求函数最小值，则适应度函数就可以设为该函数，通过函数值减小方向来决定粒子运动方向，最后结果便是粒子位于取得函数最小值的点。
PSO算法中输入有：
种群规模
粒子维度
最大迭代次数
适应度函数
惯性权值
加速因子
最大速度
输出结果为优化后的”粒子“。
‘伍’ 粒子群算法的优缺点
优点：PSO同遗传算法类似，是一种基于迭代的优化算法。系统初始化为一组随机解，通过迭代搜寻最优值。同遗传算法比较，PSO的优势在于简单容易实现，并且没有许多参数需要调整。
缺点：在某些问题上性能并不是特别好。网络权重的编码而且遗传算子的选择有时比较麻烦。最近已经有一些利用PSO来代替反向传播算法来训练神经网络的论文。
(5)pso优化算法扩展阅读：
注意事项：
基础粒子群算法步骤较为简单。粒子群优化算法是由一组粒子在搜索空间中运动，受其自身的最佳过去位置pbest和整个群或近邻的最佳过去位置gbest的影响。
对于有些改进算法，在速度更新公式最后一项会加入一个随机项，来平衡收敛速度与避免早熟。并且根据位置更新公式的特点，粒子群算法更适合求解连续优化问题。
‘陆’ 咨询一个最简单的PSO算法的程序
%------基本粒子群优化算法（Particle Swarm Optimization）-----------
%------作用：求解优化问题
%------初始格式化----------
format long;
c1=1.4962; %学习因子1
c2=1.4962; %学习因子2
w=0.7298; %惯性权重
MaxDT=1000; %最大迭代次数
D=10; %搜索空间维数（未知数个数）
N=40; %初始化群体个体数目
eps=10^(-6); %设置精度(在已知最小值时候用)
%------初始化种群的个体(可以在这里限定位置和速度的范围)------------
for i=1:N
for j=1:D
x(i,j)=randn; %随机初始化位置
v(i,j)=randn; %随机初始化速度
end
end
%------先计算各个粒子的适应度，并初始化Pi和Pg----------------------
for i=1:N
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
pg=x(1,:); %Pg为全局最优
for i=2:N
if fitness(x(i,:),D)
pg=x(i,:);
end
end
%------进入主要循环，按照公式依次迭代，直到满足精度要求------------
for t=1:MaxDT
for i=1:N
v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:));
x(i,:)=x(i,:)+v(i,:);
if fitness(x(i,:),D)<p(i)
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
if p(i)
pg=y(i,:);
end
end
Pbest(t)=fitness(pg,D);
end
%------最后给出计算结果
disp('*************************************************************')
disp('函数的全局最优位置为：')
Solution=pg
disp('最后得到的优化极值为：')
Result=fitness(pg,D)
disp('*************************************************************')
%------算法结束---
如果想要适应度函数源程序（fitness.m），可以再联系
‘柒’ 粒子群优化算法（PSO）有没有专门的软件啊
MATLAB里面有遗传算法的的工具箱，PSO可以用到
‘捌’ 如何用粒子群优化（PSO）算法实现多目标优化
粒子群算法，也称粒子群优化算法（ParticleSwarmOptimization），缩写为PSO，是近年来发展起来的一种新的进化算法(EvolutionaryAlgorithm-EA)。PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。
‘玖’ PSO算法解决带约束条件的优化问题
约束条件：
a11x1+a12x2+…+a1nxn≤b1
a21x1+a22x2+…+a2nxn≤b2
…………………………
am1x1+am2x2+…+amnxn≤bm
x1，x2，…，xn≥0 式中x1，x2，…，xn为企业生产的各种产品；b1，b2，…，bm为可供使用的各种投入要素的数量；
aij(i=1，2…m；j=1,2,… n)为第j种产品每生产1个单位所需要的第i种投入要素的数量；最后，非负值约束条件表示各种产品的产量必须是正值，负值是没有意义的。