基于局部搜索的反向学习竞争粒子群优化算法，钱晓宇，方伟，为了提升粒子群优化算法在复杂优化问题, 特别是高维优化问题上的优化性能, 提出了一种基于Solis\&Wets 局部搜索的反向学习竞争粒子群�

智能微电网的优化调度，包括蓄电池、柴油机、大电网等分布式设备，用粒子群算法进行优化，程序可以执行，可以在此基础上进行改变

针对约束边界粒子在边界区域搜索能力不足的问题, 提出一种基于自适应进化学习的约束多目标粒子群优化算法. 该算法根据不符合约束条件粒子的约束违反程度, 修正优化算法的进化学习公式, 提高算法在约束边界区域的搜索能力; 通过引入一种基于拥挤距离的Pareto 最优解分布性动态维护策略, 在不增加算法复杂度的前提下改进Pareto 前沿的分布性. 实验结果表明, 所提出的算法可以获得具有更好收敛性、分布性和多样性的Pareto 前沿.

针对离散混沌系统，提出了一种基于融合Powell法的粒子群优化策略（Powell-PSO算法）的神经滑模等效控制方法。该方法通过将BP神经网络的输出作为滑模等效控制的切换部分的系数，有效克服了传统滑模等效控制的抖振现象；利用Powell-PSO算法对神经滑模控制器的参数进行全局优化，提高了离散混沌系统的控制品质。实验仿真表明：该方法无需了解离散混沌系统精确模型，具有响应速度快、控制精度高以及抗干扰能力强的优点。

基于matlab的基本粒子群优化算法，可应用与最优潮流计算等，可供参考

论文研究-灰色多变量GM(1,Nγ\,r)模型及其粒子群优化算法.pdf,  针对少信息多变量且输入与输出具有滞后性的控制系统,提出了灰色多变量延迟GM模型, 给出了其参数估计形式和近似时间响应式,得到了它的两个派生模型. 为了确定非线性次数的值以使预测精度最高,又建立了以均方误差为目标的优化问题, 并采用粒子群算法寻优.最后将新模型应用于武汉地区科技投入与产出的预测之中,实践表明该模型具有较高的精度.

期末大作业题目 1.结合所学相关内容，研究撰写一篇关于云计算资源分配策略或任务调度或资源使用预测算法的论文。要求扩展云计算仿真器CloudSim或其它仿真软件设计实现该算法，并进行仿真实验测试和分析该算法/策略的性能。也可以是将云计算技术应用于自己感兴趣研究方向为主题的研究论文。论文撰写格式要求以《软件学报》的投稿要求为模板。 摘 要: 粒子群优化（PSO）算法思想来源于人工生命和演化进化论。PSO 通过粒子追随自 己找到的最优解和整个群体的最优解来完成优化，群体中每一个粒子代表问题的一个候选解， 属于一类启发式随机全局优化技术。PSO 的优势在于简单又功能强大。本文将使用云计算仿 真器 CloudSim 实现 PSO 完成任务调度以及改进算法评估性能。 关键词: 粒子群;优化;进化论;CloudSim 中图法分类号: Particle swarm optimization algorithm and improved implementation CHEN Jia-Le1 1(School of Computer Science and Software, Shenzhen University, Shenzhen 518000, China) Abstract: The idea of particle swarm optimization (PSO) comes from artificial life and evolutionary theory. Particle swarm optimization (PSO) is a heuristic stochastic global optimization technique, in which each particle represents a candidate solution of the problem. The advantage of PSO is simple and powerful. In this paper, we will use the cloud computing simulator cloudsim to implement PSO to complete task scheduling and improve the algorithm to evaluate performance. Key words: particle swarm; optimization; evolutionism; CloudSim;

基于改进探索和开发的异构综合学习粒子群优化算法，里面包含论文与代码，在MATLAB上运行即可

粒子群优化算法的基本内容

本代码是matlab的代码，毕业设计的三个算法，对原来的粒子群算法进行改进，分别是混沌粒子群，和GAPSO得到的效果还不错，注意这是代码，源代码。