【TSP问题】基于混沌粒子群算法求解旅行商问题matlab源码.pdf

通过研究电力负荷预测中支持向量机的参数优化问题，将改进后新的粒子群算法导入支持向量机参数中，从而建立一种新的电力负荷预测模型（IPSO-SVM）。首先将支持向量机参数编码为粒子初始位置向量，然后通过对粒子个体之间信息交流、协作的分析找到支持向量机的最优参数，并针对标准粒子群算法的缺陷进行一定的改进，从而应用于电力负荷的建模与预测，最后通过仿真对比实验来测试它的性能。实验结果表明，这种新的电力负荷预测模型能够获得较高精度的电力负荷预测结果，大大减少了训练时间，能够满足电力负荷在线预测要求。

非常好的多目标遗传算法代码和多目标粒子群算法代码，好好理解就可以

基于二进制粒子群算法（BPSO）的计算卸载策略求解matlab代码

梯级水电站不仅要满足电力系统运行要求,还要考虑发电和用水之间的协调,才能使综合效益最大化。提出一种兼顾年发电量和运行成本的梯级水电站长期多目标优化调度新模型。通过分别求解各个单目标优化问题和定义各单项目标的隶属度函数,把多目标问题模糊化;采用对各单项目标优化的目标值在一定范围内伸缩的方法来体现决策者的主观意愿;利用模糊最大满意度方法把多目标优化问题转化为单目标非线性规划问题;并构建了一种动态调整惯性因子的自适应粒子群算法。仿真计算验证了模型的正确性和求解方法的可行性,多目标模型比单目标模型获得了更佳的综合效益,模糊优化处理方法避免了目标权重选取的人为任意性,同时自适应粒子群算法计算速度快、收敛精度高。

自适应粒子群优化是一种优化算法，它是粒子群优化（Particle Swarm Optimization，PSO）的一种变体。与传统的PSO不同，APSO使用自适应策略来调整算法的参数，以提高算法的性能和收敛速度。 APSO的主要思想是根据群体的收敛情况动态调整算法的参数。APSO的核心算法与PSO类似，由粒子的速度和位置更新规则组成。每个粒子通过与局部最优解和全局最优解比较来更新自己的位置和速度。 APSO的另一个关键之处是学习因子的自适应调整。在每个迭代中，APSO会计算每个粒子的适应度值。如果适应度值的方差较小，则学习因子的值会变小，以便更加收敛到最优解。相反，如果适应度值的方差较大，则学习因子的值会变大，以便更好地探索解空间。

​ 程序名称：基于多目标粒子群算法的电力系统分布式电源选址定容 实现平台：matlab 简介：为更好地解决分布式电源选址定容问题，提出一种改进的多目标粒子群算法。考虑投资成本、网损以及电压稳定性三因素建立了一个三目标的数学模型，并采用上述多目标粒子群算法对模型求解。最后利用 IEEE－69节点系统仿真来验证所提算法在分布式电源选址定容方面的有效性。 具体细节可参考自动化与仪器仪表. 2021,(05)论文《基于多目标规划的分布式电源选址定容研究》 ​

matlab程序源码，可直接运行，并非完全复现《分布式光伏储能系统的优化配置方法》仅供学习交流。考虑分布式光伏储能系统的优化配置方法，采用双层模型求解 上层决策储能系统配置容量用遗传/粒子群算法求解

本文用cuda平台，用粗粒度写法将粒子群写法并行化，每个线程对应一个粒子，用于解决0-1背包问题，该方法中对随机数可以进行进一步的优化。

基于粒子群PSO优化算法的ELM网络,并对比优化后的EML的预测性能+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。