粒子群算法（PSO）Matlab编程版，包括了线性递减惯性因子粒子群算法（PSO）Matlab编程版，

针对粒子群算法求解多目标问题极易收敛到伪Pareto 前沿(等价于单目标优化问题中的局部最优解), 并且 收敛速度较慢的问题, 提出一种?? 占优的自适应多目标粒子群算法(??DMOPSO). 在??DMOPSO算法中, 每个粒子的 邻居根据粒子的运行动态地组建, 且粒子的速度不由其邻居中运行最好的粒子来调整, 而是由其所有邻居共同调整. 同时, 采用外部存档保存非劣解, 并利用?? 占优更新非劣解. 模拟结果表明了??DMOPSO算法的有效性.

为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入“多点”变异,即随着迭代次数的递增,根据相应判据对位置的更新作出不同的变异,避免算法早熟现象的发生;最后,将更新后种群和最优解集进行非支配排序,最优解放入精英外部存档.仿真实验结果表明,与另外4种进化算法对比,所提出算法表现出良好的整体性能.

Matlab

基于改进粒子群算法的永磁同步电机参数识别，陶之雨，张波，在工程应用中，针对提高永磁同步电机参数识别的准确度问题，提出了改进适应度函数的粒子群优化算法。首先建立了包含电流控制和空

为了有效降低纳什均衡求解的复杂度并提高其计算效率，提出了一种粒子群算法近似求解混合战略纳什均衡的新方法。在介绍混合战略纳什均衡理论的基础上，提出了混合战略纳什均衡定义的计算形式，并据此提出了混合战略近似纳什均衡的概念，给出了粒子群算法求解混合战略近似纳什均衡的方法步骤。通过仿真验证了近似纳什均衡理论及粒子群求解过程的正确性，与原粒子群算法进行比较，得到新粒子群算法时效性更强的结论。

【优化选址】基于模拟退火结合粒子群算法求解分布式电源定容选址问题matlab源码.pdf

随着移动互联网的发展，基于嵌入式设备的云计算服务成为研究热点。在国内，嵌入式云计算目前正处于探索研究阶段，云资源管理调度是嵌入式云计算的核心技术之一，其效率直接影响嵌入式云计算系统的性能。为了提高云计算性能，本文提出一种基于粒子群优化算法的云计算任务调度模型。粒子群算法中粒子位置代表可行的资源调度方案，以云计算任务完成时间及资源负载均衡度作为目标函数，通过粒子群优化算法，找出最优资源调度方案。在matlab实验平台进行了仿真，通过大量数据模拟实验表明，该模型可以快速找到最优调度方案，提高资源利用率，具有较好的实用性和可行性。

matlab代码粒子群算法软计算优化工具箱（SCOT） 它能做什么： 1.一个工具箱，在一个保护伞下结合了六个优化算法。 2.每种算法都有单独的GUI。 3.结果的图形表示。 如何运行： 脚步： 打开MATLAB 打开包含所有必需文件的代码文件夹。 打开mastergui.m文件 点击运行 单击任何按钮以启动特定的算法GUI。 以下是运行不同算法的步骤：1.PSO（粒子群优化）： 从功能下拉列表中选择其他功能。 选择优化类型（最小化/最大化）。 单击“绘制！”（将绘制2D和3D图形） 绘制后：您可以更改不同的参数（遗传极限，种群大小，精度）速度因子也可以更改单击运行（模拟将开始） 对于所有其他算法（GWO / SCA / MVO / WAO / ALO）： 您可以更改以下参数（如果需要）：粒子数迭代数下界和上界变量数目标函数（在coste函数文件中写入） 通过选择搜索历史记录：过去的结果将被存储并同时显示。 单击“开始优化”（图形仿真开始），将显示结果