自适应巡航控制系统（ACC）作为高级驾驶员辅助系统（ADAS）之一，在提高驾驶安全性和舒适性方面越来越受欢迎。由于ACC的目标可能是多维的，并且常常彼此冲突，因此在其控制设计中这是一项具有挑战性的任务。本文提出的研究将ACC控制设计作为具有多个目标的约束优化问题。引入了用于ACC控制的分层框架，旨在在可能的情况下在驾驶安全性和舒适性，速度和/或距离跟踪以及燃油经济性方面实现最佳性能。在分层框架下，操作模式是在上层确定的，其中基于模型预测控制（MPC）的间距控制器用于处理多个控制目标。另一方面，下层用于致动器控制，例如用于车辆纵向动力学的制动和驱动控制。通过增加系统尺寸，将执行器延迟与车辆纵向动力学相结合，可转换为无延迟系统。然后开发二次成本函数，通过解决最优控制问题来获得理想的控制输出。通过将车距限制在安全范围内，可以确保行车安全。其他目标则通过其相应的性能指标来考虑。低级控制器用作执行器控制单元，该单元控制动力总成和制动系统，以确保根据反向纵向动力学模型跟踪所需的加速度。最后，拟议的ACC在PanoSim:registered:下进行仿真和评估，PanoSim:registered:

智能优化算法： 粒子群优化算法（PSO）应用于神经网络优化程序。分为无隐含层、一隐含层、二隐含层。运行DemoTrainPSO.m即可

基于局部搜索的反向学习竞争粒子群优化算法，钱晓宇，方伟，为了提升粒子群优化算法在复杂优化问题, 特别是高维优化问题上的优化性能, 提出了一种基于Solis\&Wets 局部搜索的反向学习竞争粒子群�

智能微电网的优化调度，包括蓄电池、柴油机、大电网等分布式设备，用粒子群算法进行优化，程序可以执行，可以在此基础上进行改变

通过脉冲控制在联合连接的拓扑结构上混合混合多智能体系统的共识

针对在多智能体系统的通信网络中需要对交换信息进行量化的客观情况, 研究基于量化信息的二阶多智能体系统蜂拥控制问题. 首先, 假设多智能体系统采用一致量化器对速度和位置信息进行量化, 并且有一个虚拟领导者沿着固定方向匀速运动; 然后, 设计基于量化信息的多智能体蜂拥控制输入, 并利用非平滑系统的Lyapunov 稳定性判据和不变集原理证明系统的稳定性; 最后, 利用Matlab 对多智能体系统在二维平面上的蜂拥运动进行仿真实验, 仿真结果验证了理论分析的正确性.

资源是java实现的PSO粒子群优化算法,可以正常运行,可以根据自己实际业务更改来满足自己的需求.

针对约束边界粒子在边界区域搜索能力不足的问题, 提出一种基于自适应进化学习的约束多目标粒子群优化算法. 该算法根据不符合约束条件粒子的约束违反程度, 修正优化算法的进化学习公式, 提高算法在约束边界区域的搜索能力; 通过引入一种基于拥挤距离的Pareto 最优解分布性动态维护策略, 在不增加算法复杂度的前提下改进Pareto 前沿的分布性. 实验结果表明, 所提出的算法可以获得具有更好收敛性、分布性和多样性的Pareto 前沿.

研究线性多智能体系统的领航跟随一致性问题. 假设每个多智能体系统只能得到其邻域的输出测量信息, 在此条件下, 讨论多智能体在有向固定网络拓扑和无向切换网络拓扑两种情况下的一致性问题. 针对这两种情况, 提出含有一种分布式观测器的一致性控制算法. 应用Lyapunov 稳定性理论证明了若单个多智能体系统是可镇定和可检测的, 且网络连接拓扑只需满足简单的结构, 则系统能够达到领航跟随一致性. 仿真结果验证了理论分析的正确性.

分布式优化算法已广泛用于解决大规模多智能体系统优化问题，其中异步分布式方法由于其应用于多智能体系统时的灵活性和自主性而受欢迎。在本文中，我们针对多智能体系统一致性问题提出了一种基于的Zero-Gradient-Sum（ZGS）算法的异步分布式优化算法Accelerated-Zero-Gradient-Sum（AZGS），其通过提高智能体之间的信息交互模式来加速ZGS算法的收敛速度。同时改进其信息交互方式使其在实际通信过程中节省通信量。在多智能体系统网络连通的条件下，证明了所提出的算法相比于原算法更快实现渐近收敛。最后，我们通过一个数值示例验证所提出的算法的有效性。