粒子输运

粒子群特性

粒子群是一种群体智能优化算法。其特性包括：-群体性：粒子群由多个粒子组成，每个粒子代表一个潜在的解。-最优解记忆：每个粒子都会记录自己的历史最优解，并通过信息共享在群体中传播。-全局最优解搜索：粒子群通过更新粒子的速度和位置，不断接近群体中目前已知的全局最优解。-随机性：粒子群算法中引入随机性，以避免陷入局部最优解。-可扩展性：粒子群算法易于扩展到高维复杂问题。

算法与数据结构 4 2024-05-13

2014年弱分层湍流输运特性的数值模拟及统计分析

采用大涡模拟(LES)方法对弱分层湍流进行了数值模拟研究，分析了其统计特性、垂向热通量以及流场的各向异性特征。研究表明，弱分层条件对湍流强度有轻微抑制作用，且温度脉动相较于速度脉动表现出明显的滞后现象；此外，沿流向，脉动强度和垂向热通量呈显著衰减规律。总体而言，无论温度作为主动标量还是被动标量考虑，均未对湍流的统计特性产生明显影响。

统计分析 1 2024-07-17

粒子滤波MATLAB实现

利用MATLAB，可以通过一系列步骤实现粒子滤波算法： 初始化: 生成一组随机样本（粒子），并为其分配权重。 预测: 根据系统模型，预测每个粒子的状态。 更新: 根据观测数据，更新每个粒子的权重。 重采样: 根据粒子权重，重新采样粒子，以消除权重低的粒子。 状态估计: 根据重采样后的粒子，估计系统的状态。 MATLAB提供了丰富的函数库，方便实现粒子滤波算法，例如：* randn 函数可以生成随机样本。* mvnrnd 函数可以生成多元正态分布的随机样本。* resample 函数可以根据权重进行重采样。

Matlab 4 2024-05-19

粒子滤波技术概述

粒子滤波是一种广泛应用于机器人、计算机视觉及信号处理等领域的状态估计算法。它利用随机样本（粒子）来近似表示状态变量的概率分布，适用于处理复杂的非线性问题。粒子滤波的计算复杂度较高，但能够有效地处理实时数据流。介绍了粒子滤波的基本原理及其在不同领域的应用，同时讨论了其相关的计算方法和工具。

算法与数据结构 0 2024-10-10

粒子群算法代码分享

探索优化问题的利器——粒子群算法，相关代码已公开，欢迎取用。

Access 3 2024-05-06

粒子群优化算法简介

粒子群算法，又称为粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization，简称PSO），是由J. Kennedy和R. C. Eberhart等开发的一种新型进化算法。与模拟退火算法类似，PSO从随机解出发，通过迭代寻找最优解，但相较于遗传算法，PSO更为简单，不涉及交叉和变异操作，而是通过追随当前搜索到的最优值来寻找全局最优解。该算法因其易于实现、精度高、收敛速度快等特点而受到学术界的青睐，并在解决实际问题中展现出显著优势。PSO算法被广泛应用于并行计算领域。

算法与数据结构 0 2024-08-11

粒子群算法优化灰色模型

粒子群优化算法可以对灰色模型参数进行优化，提升模型预测精度。

算法与数据结构 4 2024-05-13

增强型粒子滤波算法

本资源提供了一种改进的粒子滤波算法，着重于识别和利用高质量粒子。算法根据权重对粒子进行排序，舍弃低权重粒子（概率分布函数高于0.5）。高权重粒子则根据其权重进行采样。在权重与概率分布函数介于0.5之间的粒子上进行均匀采样，以捕捉大多数粒子的趋势，实现更快速、更精确的目标跟踪，并降低目标丢失的可能性。

算法与数据结构 2 2024-05-20

MATLAB 粒子群优化算法实现

该资源包含使用 MATLAB 实现粒子群优化算法的所有 .m 函数文件代码。

Matlab 2 2024-05-30

Matlab中的粒子滤波技术

Matlab中的粒子滤波技术是一种用于非线性和非高斯系统状态估计的强大工具。它通过使用一组随机粒子来逼近系统的状态分布，从而有效地解决了传统方法难以处理的复杂问题。粒子滤波在信号处理和机器人技术等领域广泛应用，展示出了其在实时应用中的高效性和准确性。

Matlab 3 2024-07-21