13种粒子群优化算法，包括协同，混合，局部，全局，繁殖等，对应的博客地址http://www.cnblogs.com/hxsyl/p/4521778.html

针对PID控制器参数整定问题,提出一种基于改进粒子群优化算法的优化方法。该方法在实数编码及设定参数搜索空间的基础上,采用基于指数曲线的非线性惯性权值递减策略,以较大幅度地提高算法的收敛速度和精度;嵌入基于差分进化算法变异算子的局部搜索策略,以有效提高粒子个体的适应性和群体的多样性,改善解的质量,同时增强算法全局空间探索和局部区域改良能力的平衡。仿真结果表明,该方法与传统和智能算法相比较,所得到的控制器参数能够使控制系统获得更好的动态响应特性和满意的控制效果。

【lstm预测】基于粒子群优化算法改进的lstm预测matlab源码.zip

【优化求解】基于模拟退火结合粒子群优化算法matlab源码.zip

 针对光伏阵列在阴影下具有多个最大功率点，而传统的优化算法不能有效跟踪全局最大功率点的问题，提出了一种基于粒子群优化算法的跟踪算法，在Matlab平台上利用M函数对光伏阵列和跟踪算法进行编程。仿真结果表明：该控制算法不仅具有跟踪速动快、稳态精度高的特点，而且能够跟踪全局最大功率点，比传统的优化算法更有优势。

粒子群算法，也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization），缩写为 PSO， 是近年来由J. Kennedy和R. C. Eberhart等 [1] 的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”() 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。

论文研究-求解双层规划模型的粒子群优化算法 .pdf,

【优化求解】基于tent混沌改进粒子群优化算法.zip

提出了一种通过改进全局最优位置粒子寻优策略而提高粒子群优化计算效率的混合粒子群优化算法

电力需求总量的科学预测是经济转型阶段电力系统规划与运行的重要依据。引入融合分段二次Lagrange插值函数的新型灰色关联理论，从经济发展、产业结构、用电环境以及居民生活4个方面分析社会经济新常态指标与电力需求总量之间的相关程度，筛选出影响电力需求增长率波动的关键因素；进而以电力需求总量及相关因素为训练数据集，利用融合莱维飞行特征的改进鸽群优化算法对支持向量机的参数进行优化，建立具有最佳参数、强泛化能力的电力需求总量预测模型。基于我国某电网区域电力需求历史实测数据的算例结果表明，所建模型具有更好的优化效率和预测精度。