PSO应用

基于PSO算法的 -SVM算法参数优化，王洁，白静，在v-SVM算法参数选择中，现多采用反复试验的方法，局限性较大且操作复杂。因此，本文采用了粒子群算法来优化v-SVM中的参数，并将之��

EE5230-项目 Power System Optmization研究生课程中的学期项目的论文，代码和文档。 随着全球可再生能源安装成本的持续下降，由于可再生能源的间歇性和不可调度性，提供可靠和负担得起的能源开始对电网运营商构成挑战。 该项目以包含不同资源类型的五总线微电网系统为例，研究了规划，设计和调度发电的非常简化的过程。 资源包括常规的可调度发电，可再生资源的不可调度发电以及综合需求响应。 使用Matlab和GAMS，通过在发电机约束范围内的直流最佳潮流来完成发电机的经济调度。 该报告对这种方法的性能及其优缺点进行了讨论。 历史负荷和发电数据用作输入。 微电网的运行是为了在运行限制内将成本降至最低，但将来可以运行以实现排放消除和其他限制。 单击此处查看完整的期限报告。 单击此处进行术语介绍。

它使用粒子群优化算法找到变量函数的最小值。 % 输入参数为： % -func: 目标函数的最小化句柄％-numInd：这是群体元素的数量% -range: 必须创建元素的范围% -n_var: 函数变量的个数% -tolerance：它是群体停止标准的容忍度％ 半径％-numIter：这是最大迭代次数% -pesoStoc：这是群体的可移动性% % 输出参数为： % -p_min: 最小点查找% -f_min：函数的最小值% -iter：处理的迭代次数

准确及时的每月降雨量预报是水文研究等科学界面临的主要挑战，例如河流管理项目和洪水预警系统的设计。 支持向量回归（SVR）是一个非常有用的降水预测模型。 本文提出了一种新的并行协同进化算法，基于遗传算法和粒子群优化算法SVRGAPSO的并行协同进化，可以确定SVR在降雨预测中的合适参数，用于月降水预测。 并行协同进化算法的框架是同时迭代两个GA和PSO种群，这是GA和PSO种群之间进行信息交换以克服过早的局部最优的一种机制。 我们的方法采用混合PSO和GA，通过并行协同发展来获得SVR的最佳参数。 所提出的技术可用于降雨预报，以测试其概括能力并与几种竞争技术进行比较评估，例如其他替代方法，即SVRPSO（带PSO的SVR），SVRGA（带GA的SVR）和SVR模型。 实证结果表明，SVRGAPSO结果具有较好的泛化能力，在降雨预报中具有最低的预测误差值。 SVRGAPSO可以显着提高降雨预报的准确性。 因此，SVRGAPSO模型是降雨预报的有希望的替代方法。

为了提高人脸识别的准确率，提出了一种基于K近邻(KNN)和粒子群优化(PSO)的人脸识别方法。运用局部二值模式(LBP)提取特征，研究了遗传算法(GA)、粒子群算法(PSO)、蚁群算法(ACO)等元启发式优化算法在特征选择中的应用，采用基于种群的元启发式算法PSO对KNN分类器进行优化，利用提出的PSO-KNN算法进行人脸识别。使用罗技网路摄影头和ORL人脸数据库，对155位受试者的10个方位的实时脸部影像进行了实验。将提出的算法与决策表(DT)、支持向量机(SVM)、多层感知器(MLP)和传统的KNN等基准识别技术进行了比较，实验结果验证了所提方法的有效性。

多下载 我需要分数 下载别的东西 感谢各位帮助 多下载 我需要分数 下载别的东西 感谢各位帮助

PSO源程序资料.pdf

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