【三维装箱】基于粒子群算法求解三维装箱问题matlab源码.md

该工具集包含以下文件： 1) MODEparam.m 生成运行 MODE 优化算法所需的参数。 2) MODE.m 运行优化算法。 它实现了基于差分进化 (DE) 算法的基本多目标优化算法： “Storn, R., Price, K., 1997。差分进化：一种简单有效的连续空间全局优化启发式方法。全球优化杂志 11, 341 – 359。” 当一个目标被优化时，标准 DE 运行； 如果优化了两个或多个目标，则使用优势关系执行 DE 算法中的贪婪选择步骤。 3) CostFuntion.m 要优化的成本函数。

本文档是博客《多目标快速非支配排序遗传算法-NSGA-II》中所需要拜读的参考文献论文，包含了NSGA,NSGA-II，NGPM手册及Deb K 所撰写的与NSGA相关的部分论文，

NSGA-2多目标优化算法，Python语言编写，内含ZDT测试，使用说明，以及代码详解，希望能对学习多目标优化的同学有所帮助

遗传算法和粒子群算法结合的matlab源码 详细的注释

该压缩包内含三个实例，分别为求解函数极值点、求解函数最小值、求解含多个局部极值的函数最小值。均为PSO 算法求解函数极值的应用，带有较为详细的注释，可运行。

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。通常认为它是群集智能 (Swarm intelligence, SI) 的一种。它可以被纳入多主体优化系统(Multiagent Optimization System, MAOS).粒子群优化算法是由Eberhart博士和kennedy博士发明。

粒子群算法（Particle Swarm Optimization，PSO）主要用优化计算实值的连续性问题，而离散二进制粒子群算法（Binary Particle Swarm Optimization，BPSO）则用来优化离散空间问题，它扩展了PSO算法的应用，现已广泛应用到各种离散优化问题计算中，但目前对BPSO算法的理论分析研究还很少，难以指导算法性能。本文从位改变概率和遗传算法的模式定理两方面对BPSO进行分析。分析得出，BPSO算法具有很强全局搜索能力，但不能收敛于粒子的全局最优位置，而且随着算法

针对线性二次型调节器在倒立摆最优控制设计过程中对加权矩阵选择的盲目性,采用粒子群算法,引入惯性权重优化加权矩阵,获得状态反馈控制率,设计最优控制器。以直线二级倒立摆控制系统为研究对象,对比分析传统线性二次型调节器算法与基于粒子群优化线性二次型调节器算法的稳摆控制和抗干扰能力。结果表明:优化后的最优控制器能使系统的响应时间更快、超调量更小;直线二级倒立摆控制系统在4 s内达到稳定状态,在实时控制中表现出了较强的抗干扰能力。该算法对直线二级倒立摆的控制效果更理想。

行业分类-物理装置-基于贪婪机制粒子群算法的无人船路径规划方法及系统.zip