基于标准粒子群优化算法的TSP搜索算法

基于蚁群优化算法的最短路径搜索，matlab2021a仿真测试

基于蚁群优化算法的三维路径规划算法仿真

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

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。