多种群遗传算法，改进了遗传算法中容易陷入局部最优解的缺点。在一定程度上提高了收敛速度。需要添加移民算子和精英种群选择部分代码。

基于多种群遗传算法的测试用例的自动生成

为了提高传感器节点部署覆盖率，针对目前网络覆盖存在覆盖死角、节点冗余及不能再度优化的问题，在检测区域已知的情况下，提出基于萤火虫群优化(GSO)算法的传感器节点部署方案，并对原方案进行改进。该算法中，传感器节点等同于萤火虫，覆盖信号强度即是荧光素浓度，首先对节点进行随意初始部署，然后通过计算移动概率的大小，判断节点移动方向，最终完成节点部署。实验仿真表明，该部署方法适用于大量传感器节点部署，覆盖面积广，灵活性强。

基于粒子群优化的ATO控制策略

qq群获取QQ成员（可通过本地QQ获取）

matlab代码粒子群算法利用生物启发算法优化光学锥度 该存储库包含用于实现光学锥度优化的Matlab源代码（使用Comsol Multiphysics建模）。 使用的算法是遗传算法和粒子群优化

改进惯性因子，并且在PSO算法中引入变异操作进行改进粒子群算法。自适应变异是借鉴遗传算法中的变异思想，即对某些变量以一定的概率重新初始化。变异操作扩展了在迭代中不断缩小的种群搜索空间，使粒子能够跳出先前搜索到的最优值位置，在更大的空间中开展搜索，同时保持了种群多样性，提高算法寻找最优值的可能性。因此，在普通粒子群算法的基础上引入简单变异算子，在粒子每次更新之后，以一定概率重新初始化粒子。

可中断负荷是非常重要的需求侧资源.本文对于在保证系统安全的前提下进行可中断负荷的优化调度,基于二进制粒子群优化算法(BPSO)分时段优化调度特性不同的多个可中断负荷,以满足系统各时段削减容量的需求,同时满足可中断负荷的运行约束条件,并使供电公司支付的补偿费用最小以及执行中断的次数最少.使用加权的处理方法把可中断负荷优化调度的多目标优化问题简化为单一的目标函数,经实例验证基于BPSO的优化算法对可中断负荷的优化调度是有效的.

这是一个关于多目标粒子群算法，很有用，代码通用性强 这是一个关于多目标粒子群算法，很有用，代码通用性强 这是一个关于多目标粒子群算法，很有用，代码通用性强 这是一个关于多目标粒子群算法，很有用，代码通用性强

为了达到配电网重构策略多目标优化的目的，采用随机权重的方法来构建目标函数。为了满足配电网在不同运行状态下的不同重构目标，各指标在目标函数中的权重会根据电网的运行状态动态调整。为解决二进制粒子群优化(binary particle swarm optimization，BPSO)算法求解速度慢的问题，提出了改进型BPSO算法。改进型算法可以将处于风险状态的设备快速转移到供电线路末端，从而提高系统的稳定性。最后，以IEEE 33节点系统为例进行仿真验证，将改进型BPSO算法和已有的3种算法进行对比，验证了改进算法具有计算时间短、网络损耗小、最大供电能力高等优点。