大数据-算法-高维粒子群优化算法.pdf

在智能领域，大部分问题都可以归结为优化问题。常用的经典优化算法都对问题有一定的约束条件，如要求优化函数可微等，仿生算法是一种模拟生物智能行为的优化算法，由于其几乎不存在对问题的约束，因此，得到广泛应用。本次毕业设计将基于群体智能的粒子群优化算法作为研究课题，主要任务及目标为：熟悉和掌握基本粒子群优化算法的基本原理，分析影响算法性能的参数，熟悉基本粒子群优化算法的改进算法和改进策略，利用Matlab科学计算语言进行算法仿真，掌握科学研究的基本过程和方法。提出一种改进的粒子群优化算法，并进行仿真比较。

提出通过提高需求侧和供应侧资源的协调可控性来应对当前电力系统双侧随机问题的新思路，在此基础上设计需求侧响应模型、储能设备充放电模型、风电及光伏发电出力预测模型，并构建以系统成本及污染排放最小化为目标函数的“源-网-荷-储”优化调度模型及相应的多目标粒子群优化算法。通过算例分析比较有无需求侧资源情况下的系统成本和污染排放，验证了所提模型和算法的科学性与合理性，以及需求侧资源在提高系统稳定性、节能减排方面的重要作用。

组个比较全面的PSO粒子群优化算法的MATLAB仿真，matlab2021a仿真。

母线负荷预测对于电网安全稳定调度具有重要意义，但母线负荷随机波动性较强，其负荷类型因供电区域的差异而不同。为此，提出一种基于极限梯度提升(XGBoost)与Stacking模型融合的短期母线负荷预测方法。基于XGBoost建立多个母线负荷预测元模型，组合构成Stacking模型融合的元模型层，连接一个XGBoost模型对元模型进行融合，整体构成综合预测系统，并采用粒子群优化算法优化系统参数。通过对具有不同负荷属性的220 kV母线进行实例分析，验证了所提方法的有效性与适用性。

参数辨识是过程建模的基础,提出了一种基于粒子群优化(PSO)算法的模型参数辨识方法,将过程模型的每个参数作为粒子群体中的一个粒子,利用粒子群体在参数空间进行高效并行的搜索来获得过程模型的最佳参数值,可有效提高参数辨识的精度和效率.对火电厂热工过程进行参数辨识的仿真结果表明,利用PSO算法辨识过程模型参数,无论过程模型是否是时滞对象,该辨识方法对过程模型的阶次不敏感,对于不同的输入信号,均能得到满意的辨识精度和效率,因此得到了较为精确的过程模型,模型输出与实际输出基本一致.

提出一种新的自适应粒子群优化算法, 以解决梯度法为基础的算法在进行多参数拟合时因各参数之间相关性较高而带来的拟合上的问题. 该粒子群优化算法采用自适应变异和动态自适应调整搜索范围、惯性权重相结合的改进策略, 数值模拟了将该算法应用于测量薄膜热物性时的多参数拟合, 结果表明该算法是可行和有效的.

基于标准粒子群优化算法的TSP搜索算法

机器人路线规划仿真避障，matlab2021a仿真测试 %-粒子群的- global c1; %学习因子1 global c2; %学习因子2 global w; %惯性权重 global MaxDT; %最大迭代次数 global m; %搜索空间维数（未知数个数） global N; %初始化群体个体数目 global eps; %设置精度(在已知最小值时候用) global Kmax; %初始化x时用的最大迭代次数 global Qmax; %初始化x时粒子全部重新初始化用的最大迭代次数 global fitw1; %适应值函数中的两个权重 global fitw2; global pathta ; %移动的角度为60度 global psosued; %粒子群成功 global pathsued; %路径

PSO粒子群优化算法的改进仿真matlab2021a测试，带有收缩因子的微粒群算法