基于混合粒子群的TSP搜索算法：粒子群优化算法结合遗传算法的交叉变异算子应用于TSP问题中，能够取得不错的效果。

%程序名称：求解约束优化问题的改进粒子群优化算法 %程序功能：求解带各种约束条件的优化问题 %输入条件：各种初始条件，以及设定参数 %输出数值：最优解位置以及函数极小值

应用粒子群优化(PSO)算法对电力系统的机组优化组合问题进行研究,介绍了算法原理,分析了算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并以常用的测试函数进行验证,建立了相应的数学模型,并以IEEE3机6节点电力系统为实例进行研究。分析结果表明,PSO算法较之常用的遗传算法和混沌优化等算法,在算法结构、计算时间、搜索区间控制以及收敛速度等方面具有较好的特性,验证了该方法的有效性。

电力系统经济调度问题是电力系统中的一个重要的研究课题,针对该问题,提出一种改进粒子群优化(ODPSO)算法.改进算法在搜索前期,采用广义的反向学习策略,使算法能够快速地靠近较优的搜索区域,从而提高收敛速度;在搜索后期,借鉴差分进化算法的进化机制设计改进的变异和交叉策略,对当前种群的最优粒子进行更新,从而提高种群的多样性,进而协助算法获得全局最优解.为了验证改进粒子群优化算法的有效性,对CEC2006提出的22个基准约束测试函数进行仿真,结果表明改进算法相比其他算法在寻优精度和稳定性上更具优势.最后,将改进算法应用于考虑机组爬坡速率约束、机组禁行区域约束以及电力平衡约束的两个电力系统经济调度问题,取得了令人满意的结果.

采用粒子群优化算法（pso）优化LSTM回归预测，全中文注释，内置数据集，可以直接在MATLAB2019上直接运行。

粒子群算法及其改进，在原有粒子群算法基础上进行改进，增加免疫算法，使其尽快跳出早熟，收敛更快，结果更优！(Particle swarm optimization (PSO) and its improvement are improved on the basis of the existing particle swarm algorithm, and the immune algorithm is added to make it jump out of premature, faster convergence and better results)

针对标准粒子群算法在优化过程中受初始值影响较大且容易陷入局部极值的缺陷，将鱼群算法中聚群行为的基本思想引入粒子群算法中，据此建立了粒子中心的基本概念，并利用粒子的聚群特性调整粒子的飞行方向与目标位置，从而提出了一种新的混合粒子群算法，旨在改进原粒子群算法的全局收敛能力。为了检验混合粒子群算法的优化特性，采用三种典型的标准函数对五种现行智能算法进行了多方面的测试和比较。实验结果表明，新算法具有良好的搜索精度与速度，有效弥补了标准粒子群算法局部收敛和鱼群算法精度不高的双重缺陷，适用于解决复杂函数优化问题。

粒子群优化算法流程图 开始 初始化粒子群 计算每个粒子的适应度 根据适应度更新pbest、gbest，更新粒子位置速度 结束 no yes 达到最大迭代次数或 全局最优位置满足最小界限？

基本的粒子群优化算法PSO的Matlab实现代码，很实用的呢

一种电磁优化算法，解决稀疏天线阵的方向图综合问题