【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。

RBF网权值的量子粒子群优化算法

输电网规划是一个离散型、非线性、多目标的混合整数规划问题，难于求解。提出一种多目标粒子群优化算法用来求解输电网规划问题。在输电网规划模型中考虑了建设投资费用、运行费用及网损费用等3方面的因素。多目标粒子群优化算法基于Pareto支配关系来更新粒子的个体极值，并采用了精英归档技术，粒子的全局极值由档案库中的非劣解提供。使用Matlab7，1对Garver-6节点系统进行仿真计算，结果表明：与传统的单目标遗传算法相比，多目标粒子群优化算法获得的规划方案总费用更低，该方法可以提高输电网规划的经济性水平。

【优化求解】模拟退火结合粒子群优化算法matlab源码.md