将改进的多粒子群算法应用于电力系统无功优化问题的求解,克服了传统粒子群算法收敛 精度不高、易陷入局部最优的缺点.该优化方法对原粒子群算法进行了如下改进:通过增强粒子群 间的协同作用、引入惯性因子以及扰动的策略,来平衡集中强化搜索和分散多样化搜索过程.对 IEEE 6节点和IEEE 30节点系统分别进行无功优化计算,并与传统粒子群算法进行了比较,结果 表明,该算法求得的有功损耗较原状态降低了近1/5,且电压合格率为100%,具有较强的全局搜索 能力和较高的收敛精度,是求解无功优化的有效方法.

基于粒子群算法的多目标搜索算法以及相关代码及教程讲解 由于网速不稳定，里边教程需要高清版可以另找我要。

matlab代码粒子群算法形状 SHAPES（基于群体启发式样条曲线的自适应和惩罚估计）自适应样条曲线拟合方法的代码，描述如下： Soumya D. Mohanty和Ethan Fahnestock。 “带有粒子群优化的自适应样条拟合。” arXiv预印本（2019）。 要求 这些代码在Matlab中，并且已经在以下环境下进行了测试 发行版2019b + MAC OS（Catalina） 2018b + Windows 10。 安装 克隆此存储库（SHAPES）。 克隆包含粒子群优化（PSO）代码的存储库： 编辑SHAPES存储库中的文件，以提供本地目录树中SDMBIGDAT19目录的路径。 运行pathset.m（在Matlab会话开始时仅需要一次）。 或者，使用addpath / savepath或通过“设置路径”按钮可访问的GUI界面，将路径永久添加到Matlab搜索路径列表中。 输入SHAPES / DATA文件夹并运行脚本以生成包含模拟数据的样本文件。 返回SHAPES文件夹并运行SHAPES文件夹中的test _ *。m脚本，以使用上述数据文件测试安装。 用法 中提供了一个

MATLAB实现粒子群算法，可以看到寻优的过程。并且在每句后都有注解。

对一维和二维的粒子群算法进行了简单示例，其中cost_dim1和cost_dim2分别为一维和二维的代价函数，PSO_dim1和PSO_dim2则是一维和二维的粒子群算法主函数。

UPSO是对粒子群算法的一种改进，是最新提出的一种算法。也常和其它改进的粒子群算法做对比

1.使用粒子群算法求解任意函数最值（最大、最小均可） 2.计算过程中实时输出寻优图像 3.最终输出gif文件用于演示计算过程 4.粒子数、迭代次数、精度、目标函数值等可修改 5.有较多注释，简单易懂

基于粒子群算法的水资源优化配置.pdf

基于模拟退火粒子群算法的水资源优化配置.pdf

【预测模型】基于粒子群算法优化最小二乘支持向量机lssvm实现预测附matlab源码2