优秀论文及配套源码。首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。

- 采用改进Tent映射进行种群初始化 - 领导者位置更新阶段，采用自适应权重因子和Levy飞行策略 - 追随者位置更新阶段，采用非均匀高斯变异算子和贪婪选择策略 - 附带word文档详细阐述了所用的改进策略 - 包含与原始SSA算法的对比 - 包含23种测试函数

- 基于原始樽海鞘算法的函数寻优算法 - 包含23种测试函数 - 方便进行扩展，加一些种群初始化策略和自适应权重策略很容易提升性能 - 注释详细

代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优代码 基于粒子群算法的寻优算法-非线性函数极值寻优

瞎子爬山优化空燃比，用于锅炉稳定工况下进行空燃比寻优，目标函数为热效率。C++源码，可运行。

针对利用粒子群优化算法进行多极值函数优化时存在早熟收敛和搜索效率低的问题，提出混合的PSO-BFGS算法，并增强了混合算法的变异能力使算法能逃出局部极值点。通过对三种Benchmark函数的测试结果表明，PSO-BFGS算法不仅具有有效的全局收敛性能，而且还具有较快的收敛速度，是求解最优化问题的一种有效算法。

基于嵌入莱维飞行的灰狼优化(LGWO)算法的函数寻优算法

黄金正弦算法(Golden sine algorithm, Gold-SA)是Tanyildizi等人于2017年提出的新型元启发式算法，该算法的设计灵感来源于数学中的正弦函数，该算法利用数学中的正弦函数进行计算迭代寻优，其优点是收敛速度快、鲁棒性好、易于实现、调节的参数和运算符少。

麻雀搜索算法(Sparrow Search Algorithm, SSA)是2020年提出的一种新兴的元启发式算法，它与粒子群算法、蜻蜓优化算法等同属于基于群体的社会化特征优化的群智能算法。该算法通过不断更新个体位置，模拟麻雀觅食和反捕食行为。相比传统算法，麻雀搜索算法的结构简单、易于实现，且控制参数较少，局部搜索能力较强。该算法在单峰、多峰等基准函数上的表现优于粒子群算法、蚁群算法等传统算法。

Seyyed等人于2019年提出了一种全新的优化算法——贫富优化算法(Poor and rich optimization algorithm, PRO)。这一算法的设计灵感来自于穷人和富人为通过不断增长财富而改善经济状况这一人类社会现象。 PRO算法通常将一个社会群体中可以分为两类，第一类是富人，他们的财富水平高于平均水平。第二类是财富水平低于平均水平的穷人。这两个群体的每一个成员都试图以不同的方式改善他们的经济状况，这些方式具有很大的多样性。