改进PSO算法在电力系统无功优化中的应用.pdf

基于PSO算法的IEEEAC5A励磁系统对电力系统电压稳定性的影响.pdf

Multi-Objective Particle Swarm Optimization (MOPSO) is proposed by Coello Coello et al., in 2004. It is a multi-objective version of PSO which incorporates the Pareto Envelope and grid making technique, similar to Pareto Envelope-based Selection Algorithm to handle the multi-objective optimization p

#资源达人分享计划#

#资源达人分享计划#

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。

一：由Rssi定位（平面）建立模型 MATLAB作图如下： 附代码：Node_num为锚节点数，Node(i).x,Node(i).y为各个锚节点坐标，Zd(i)为Rssi测量距离 [x,y]=meshgrid(1:0.5:100,1:0.5:100); z=0; for i=1:Node_num z=z+(sqrt((x-Node(i).x).^2+(y-Node(i).y).^2)-Zd(i)).^2; end %***************************************** %PSO算法 %%参数初始化 c1=1.45445; c2=1.45445; m

matlab中pso算法代码 FMOPSOTrainControl:Using MOPSO algorithm to optimize traction energy consumption of subway language：MATLAB 项目名称：基于FMOPOS算法的城轨列车牵引能耗优化 简介 其中列车计算模块通过通过数值方法对列车的动力学微分方程进行求解，能够计算牵引、巡航、惰性和制动四种工况下的列车运行状态，输出位置、速度和能耗等信息。控制命令模型，能够将根据工况序列和切换点将输出列车在不同的位置对应的控制命令，使列车按预定方式运行。状态评估模型能够接收列车计算模块输出的列车状态信息，根据评估隶属度函数对优化指标进行评价。 MOPSO算法模块从优化指标评估模块获得每个种群粒子的适应度，然后进行相应的筛选、保留和迭代操作。 列车运行仿真模块由牵引力子模块、制动力子模块、运行阻力子模块和延迟子模块几部分组成。牵引力模块根据控制指令控制牵引力的大小，当控制指令的值为正时输出牵引力，牵引力的大小与控制指令的大小成正比。同时根据列车的牵引特性曲线，限制输出牵引力不超过当前情况下允许的

针对粒子群算法求解置换流水车间调度这类NP-hard问题存在的早熟问题，本文提出了一种基于随机键编码的双模式飞行粒子群算法。首先，基于ROV规则对工件加工顺序进行随机键编码。其次，粒子在搜索过程中采用带有自适应惯性权重的双模飞行方式来更新位置和速度，避免粒子群陷入早熟收敛状态。为了提高解的质量，每次迭代过程中对PSO优化得到的种群最优解进行邻域局部搜索。最后，通过对标准测试集的数值仿真及与其他PSO算法的比较，证实了所提算法求解该问题的有效性与可行性。

PSO算法就是模拟一群鸟寻找食物的过程，每个鸟就是PSO中的粒子，也就是我们需要求解问题的可能解，这些鸟在寻找食物的过程中，不停改变自己在空中飞行的位置与速度。大家也可以观察一下，鸟群在寻找食物的过程中，开始鸟群比较分散，逐渐这些鸟就会聚成一群，这个群忽高忽低、忽左忽右，直到最后找到食物。这个过程我们转化为一个数学问题。