matlab代码粒子群算法合作PSO-LA 基于学习自动机（CPSOLA）算法和Matlab的协同粒子群优化算法的Matlab代码。 抽象的 本文提出了一种基于群体协同行为和自动机学习能力的粒子群优化（PSO）技术。 这种方法称为基于学习自动机的合作粒子群优化（CPSOLA）。 CPSOLA算法使用三层协作：群内，群内和群间。 CPSOLA中有两个活跃的种群。 在主要种群中，粒子被放置在所有群体中，每个群体都包含搜索空间的多个维度。 此外，CPSOLA中还有一个二级人口，使用的是常规PSO的更新格式。 在合作的上层，嵌入式学习自动机（LA）负责决定是否在人群之间进行合作。 在五个基准功能上组织了实验，结果显示了CPSOLA的显着性能和鲁棒性，群体的协作行为以及成功的种群自适应控制。 参考 [1] Mohammad Hasanzadeh，Mohammad Reza Meybodi和Mohammad Mehdi Ebadzadeh，“”，在2012年第20届伊朗电气工程大会（ICEE）上，2012年，第656至661页。 [2] Mohammad Hasanzadeh，Mohammad R

matlab代码粒子群算法动态PSO-LA 基于三动作学习自动机（DPSOLA）算法的动态全局和局部组合粒子群优化算法的Matlab代码。 抽象的 最近已经开发了许多粒子群优化（PSO）算法的变体，其最大目的是摆脱局部极小值。 这些最新变化之一是PSO-LA模型，该模型采用控制粒子速度的学习自动机（LA）。 PSO的另一个变体使粒子能够动态搜索全局和局部空间。 本文提出了一种基于三动作学习自动机（DPSOLA）的动态全局和局部组合粒子群优化算法。 嵌入式学习自动机累积来自个体，局部最佳粒子和全局最佳粒子的信息，然后将它们组合以在问题空间中导航粒子。 所提出的算法已经在具有不同维度的八个基准函数上进行了测试。 从测试台来看，这项工作是独一无二的。 评估包含较大的人口规模（150）和较高的维度（150）。 结果表明，适应度和收敛速度优于传统的PSO，DGLCPSO和以前的基于PSO的LA算法。 参考 [1] Mohammad Hasanzadeh，Mohammad Reza Meybodi和Saeed Shiry Ghidary，“，”在2011 IEEE第12届国际计算智能和信息学研讨会

hybrid PSO-WPA optimization of software defects on DNN

将PSO(粒子群算法)应用到TSPTW问题(时间窗车辆调度问题)上

PSO功能选择 用于特征选择的粒子群优化（PSO）。 使用PySwarm。

13种粒子群优化算法，包括协同，混合，局部，全局，繁殖等，对应的博客地址http://www.cnblogs.com/hxsyl/p/4521778.html

我已经使用粒子群优化算法为 IEEE 30 总线测试系统解决了最优无功调度问题。 控制变量，如发电机的无功输出（发电机母线电压）、变压器的抽头比和并联补偿器（如电容器）的无功输出等。已经通过 PSO 算法进行了优化，以在满足给定的一组约束的同时最小化总传输有功功率损耗。 详情请参考 ORPD_introduction 文件。

该脚本实现了 PSO 和 GWO 优化算法的混合。 此代码在https://free-thesis.com上开发，详细说明可以在https://free-thesis.com/product/hybrid-particle-swarm-and-grey-wolf-optimization/查看

摘要: 针对传统的交互式洪水调度方案生成方式存在的缺陷,由基于PSO 算法的洪水优化调度模型,提出了有条件限制的随机自动生成方式,并利用罚函数法处理边界条件和其他非等式约束。实例应用结果表明,较之常规的动态规划法,改进后的PSO 算法计算速度快、结果合理,为流域防洪优化调度提供了有效途径。 　　水库洪水调度对流域防洪减灾至关重要。传统的洪水调度方案通常通过人机交互方式生成。 　　由于洪水调度问题的复杂性和调度经验、水平等原因,最可行的调度方案往往被遗漏,即使是经验较为丰富的调度人员也难以在短时间内生成最优方案,从而影响洪水调度决策的科学性和实时性。 　　因此,有必要研究优化方法以更快、更

【预测模型】基于粒子群算法PSO优化极限学习机ELM实现数据预测matlab源码.zip