针对光伏发电功率预测精度不高的问题，提出一种基于相似日和云自适应粒子群优化(CAPSO)算法优化Spiking神经网络(SNN)的发电功率预测模型。考虑到季节类型、天气类型和气象等主要影响因素，提出以综合相似度指标进行相似日选取；以SNN强大的计算能力和其善于处理时间序列问题的特点为基础，结合CAPSO算法搜索的随机性和稳定性优化SNN的多突触连接权值，减少对权值的约束，提高算法的收敛精度。根据某光伏电站的实测功率数据对所提模型进行测试和评估，结果表明，该模型比传统预测模型具有更高的预测精度和更好的适用性。

粒子群优化算法matlab实现，有具体示例，绝对通俗易懂，做遗传算法研究或者需要用到参数优化的同学可以看看，

改进的粒子群优化算法实现多目标智能组卷 对粒子群算法的又一改进

为提高无线传感器网络的节点定位精度,将惯性权重的粒子群优化算法应用到无线传感器网络节点定位中。定位方法以未知节点与其邻近锚节点之间的估计距离和测量距离的均方误差为适应度函数,采用基于惯性权重的粒子群优化算法对适应度函数进行优化,从而得到最优解,实现节点有效定位。仿真实验结果表明,与传统的最小二乘定位算法相比,基于惯性权重的粒子群优化算法的定位精度更高,稳定性更好,具有较好的定位效果。

采用启发式算法对微电网进行优化运行分析，采用粒子群优化算法

调度程序，初学调度的本科毕业生，和研究生可以参考下，基本的粒子群算法可以学习，而且给出各个机组的出力情况，初学者还是相当的不错的

粒子群优化算法（matlab编写，共十三种）

编写的标准粒子群优化算法，可应用于各个领域。应用于电力系统较为成功。

Matlab粒子群优化算法PSO应用于神经网络优化程序-abbr_056a6fdec6fd396d3e380f52e7ae7fa7.rar 粒子群优化算法（PSO）应用于神经网络优化程序。分为无隐含层、一隐含层、二隐含层。运行DemoTrainPSO.m即可

 与传统多光谱遥感图像相比, 高光谱图像是在一定波段范围内窄波段成像的, 提供了丰富的光谱信息, 拓展了遥感技术的应用范围, 但同时存在数据含量大、波段间相关性高等问题, 在进行处理时需要对高光谱图像进行降维。通过分析现有高光谱波段选择方法, 本文提出了一种基于信息论准则的高光谱波段选择方法, 结合波段信息熵与波段间的相关性, 采用粒子群优化算法(PSO) 进行波段优选, 克服了采用单一使用信息量为适应度的片面性。最后使用AVIRIS 图像对提出的算法进行试验, 并利用支持向量机分类方法进行分类验证, 总体分类精度达到91.0%。