为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.

单变量粒子群优化算法演示程序，可观察研究粒子在优化过程中的行为。代码为 C++ & VS2010。

此代码有助于通过使用粒子群优化找出非线性等式和不等式约束的最小值

针对粒子群优化算法局部搜索能力不足和易出现早熟收敛的问题，提出一种基于动态随机搜索和佳点集构造的改进粒子群优化算法。该算法通过引入动态随机搜索技术，对种群当前最优位置进行局部搜索；采用佳点集构造对陷入早熟收敛的种群重新初始化；引入负梯度方向直线搜索来加速算法寻优。仿真实验结果表明，与标准粒子群优化(SPSO)算法和耗散粒子群优化(DPSO)算法比较，提出的改进算法具有快速的收敛能力而且能有效地跳出局部最优，优化性能得到明显提高。

视频讲解了什么是粒子群算法 使用matlab 进行了粒子群算法的实现 详细的代码注释

该文件夹包含 Quantum PSO 主代码 (QPSO) 和 11 个基准函数。 例子： 乐趣 = @griewankfcn; D = 30； nPop = 50; 磅 = -600; ub = 600; 最大值 = 1000; 最大值 = 10000*D; [xmin,fmin,histout] = QPSO(fun,D,nPop,lb,ub,maxit,maxeval); 或直接： [xmin,fmin,histout] = QPSO(@griewankfcn,30,50,-600,600,1000,10000*30);

【SVM预测】基于粒子群优化支持向量机实现预测matlab源码.md

使用matlab语言编程的粒子群算法对含分布式电源的配电网进行多目标优化

广义预测控制（GPC）是一种鲁棒性强、能够有效地克服系统滞后、可应用于开环不稳定非最小相位系统的先进控制算法，但由于它需要Diophantine方程计算、矩阵求逆和最小二乘的递推求解，因此计算量很大，本文针对此缺陷提出四种不基于对象模型且实时性高的广义预测控制快速算法，为广义预测控制应用于实时性要求高的快速系统奠定了理论基础。但是实际工业过程中存在着各种约束，这会使求解控制量的滚动优化问题变得复杂，通常需求解一个有约束的二次规划或非凸规划，另外非凸规划的求解对初始条件也非常敏感，这些会影响到广义预测控制的性能。为了解决此问题，本文将粒子群优化算法应用到广义预测控制中，解决广义预测控制的局限性。

该文件夹包含高斯 Q-PSO 主代码 (GQPSO) 和 11 个基准函数（+ 高斯 Q-PSO 原创文章）。 例子： 乐趣 = @griewankfcn; D = 30； nPop = 50; 磅 = -600; ub = 600; 最大值 = 1000; 最大值 = 10000*D; [xmin,fmin,histout] = GQPSO(fun,D,nPop,lb,ub,maxit,maxeval); 或直接： [xmin，fmin，histout] = GQPSO（@ griewankfcn，30,50，-600,600,1000,10000 * 30）;