传统的PID控制器参数优化方法容易产生振荡和较大的超调量，因此智能算法如遗传算法（SGA）和粒子群算法（PSO）被用于参数优化，弥补传统算法的不足，但是遗传算法在进化过程中收敛速度慢，粒子群算法存在易于早熟的缺点。在分析量子粒子群算法（QPSO）的基础上，在算法中引入了权重系数，提出使用改进的量子粒子群算法（WQPSO）优化PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后，通过三个传递函数实例，分别使用Z-N、GA、PSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计，并对结果进行了分析。

利用matlab软件进行粒子群算法PSO和量子粒子群算法QPSO的程序编写，并分别对测试函数Shpere进行寻优。

基于量子行为的粒子群算法的MATLAB的源程序，已测试可以用

QPSO算法的MATLAB源码，给需要的人，希望斑竹给加点技术分

可以自行提取文字哦

在此代码中，量子粒子群优化 (QPSO) 用于解决多目标组合经济排放调度 (CEED) 问题，该问题使用三次准则函数制定，并考虑单向最大/最大价格惩罚因子。 QPSO 在 6 单元发电系统上实现，并与拉格朗日松弛、粒子群优化 (PSO) 和模拟退火 (SA) 进行比较。 所得结果验证了QPSO方法的有效性并证明了其鲁棒性。 这项研究表明，QPSO 可用作解决其他电力调度问题的有效且稳健的工具。

为有效地预测烟蚜发生量，利用BP神经网络理论和方法建立了烟蚜发生量预测模型，并运用QPSO算法优化BP神经网络的连接权值和阈值，以此确定最优连接权值和阈值?应用该模型以云南省玉溪市红塔区2003―2006年的烟蚜发生量历史数据为训练样本，对2007―2009年烟蚜发生量进行预测，其预测精度为99．35%，最小完成时间30s，平均完成时间34．5s，运行次数19次，预测效果明显优于其他预测模型?实验表明：该模型比其他预测模型预测结果更有效可行，收敛速度更快，稳定性更强，能解决预测?聚类方面的类似问题，为烟蚜

QPSO matlab程序源码 QPSO的实现方法。

经典的PSO算法，是一种基于种群的随机优化技术，粒子群算法模仿昆虫、兽群、鸟群和鱼群等的群集行为，这些群体按照一种合作的方式寻找食物。适用于入门学习。通过判断粒子停滞状态，陷入局部最优时重启粒子继续搜索。

绝对好用，量子行为粒子群算法，收敛性强，搜索精度高