分别用改进的粒子群优化算法和改进的差分进化算法求解柔性作业车间调度问题 问题规模以(工件J*工序P*机器M)表示，例如J20P10M10表示共有20个工件，每个工件有10个工序，总共有10个加工机器可供选择。data文件夹中的文件表示程序所用的数据，其中data_first文件的问题规模是J10P5M6，data_second文件的问题规模是J20P10M10，data_third文件的问题规模是J20P20M15。对于其中数据的解释：横向表示工序，纵向表示机器，每个数值表示机器加工工序的耗时，工序和机器都是按顺序排列的。以data_first.txt文件为例，前五行分别表示第一个工件的5个工序分别在6台机器上加工的时间，第5-10行表示第二个工件的5个工序分别在6台机器上加工的时间，以此类推。 关于编码，本项目采用的是同类问题常用的编码方式，参考论文“基于改进遗传算法的柔性作业车间调度问题研究”，与该论文所述的编码方式不同的是，本项目的编码中第一段为工序编码，第二段为机器编码。DE文件夹中的三个文件分别采用三种不同的初始化方式，其中DE_first.py采用的是完全随机的

PSO粒子群优化算法.doc

闭环时滞模型参数的辨识一直是先进工业控制领域的一个重要课题。然而由于时滞的存在,被控量不能及时地反映系统所承受的扰动,从而产生明显的超调,使得控制系统的稳定性变差。本文充分利用粒子群优化算法收敛速度较快和混沌运动遍历性的优点,提出了一种基于混沌优化思想的混沌粒子群优化算法来直接辨识含有滞后环节的被控对象的闭环传递函数,而不用将其转化为状态方程。将闭环时滞系统的传递函数通过z变换转化为离散的差分方程,对于滞后环节的处理,用一阶Pade近似。利用CPSO的全局优化能力来极小化误差准则函数,从而获得模型参数的估

大数据-算法-高维粒子群优化算法.pdf

matlab代码粒子群算法粒子群优化 这是用Matlab编写的基本PSO算法。 该代码是矢量化的，可以选择使用并行计算工具箱。 包括演示和示例。 这是学习如何实现PSO算法的一个很好的例子，适用于大规模非线性系统参数估计的全局优化。 稍后将进行改进以提高收敛速度。

基于序列响应面法的汽车结构耐撞性多目标粒子群优化设计

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。

基于PSO粒子群优化的kmeans的聚类仿真，matlab2021a仿真测试。

粒子群优化与其它基于群体的进化算法相比，它们均初始化为一组随机解，通过迭代搜寻最优解。PSO将每一个可能产生的解表述为群中的一个微粒，每个微粒都具有自己的位置向量和速度向量，以及一个由目标函数决定的适应度。本文首先介绍了基本的粒子群算法的理论和基本算法流程，然后介绍了模糊聚类的相关知识。从而对基于粒子群的聚类分析有更进一步的认识，然后在本文的第三章，通过MATLAB对该算法进行了仿真，并通过分析几张手动输入图片进行仿真分析，发现采用不同的距离方法均能实现图片的模糊聚类。

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。