针对配电网多目标无功优化的应用需求以及优化算法存在的收敛性和多样性问题，基于Pareto熵的多目标粒子群优化算法，提出一种应用于多目标无功优化的改进粒子群优化算法。该算法在全局外部档案更新过程中引入冗余集策略，避免迭代过程中陷入局部最优解。将算法应用于配电网无功优化中时，采用离散变量取整方法，加快算法的收敛速度。建立网损、电压偏差及无功补偿装置投资最小的配电网多目标无功优化模型，并以IEEE 33节点配电网络为算例进行仿真，结果表明改进后的算法兼顾了优化的收敛性和多样性，能够在不同的优化要求下得到有效的无功优化方案。

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

智能优化算法： 粒子群优化算法（PSO）应用于神经网络优化程序。分为无隐含层、一隐含层、二隐含层。运行DemoTrainPSO.m即可

基于局部搜索的反向学习竞争粒子群优化算法，钱晓宇，方伟，为了提升粒子群优化算法在复杂优化问题, 特别是高维优化问题上的优化性能, 提出了一种基于Solis\&Wets 局部搜索的反向学习竞争粒子群�

智能微电网的优化调度，包括蓄电池、柴油机、大电网等分布式设备，用粒子群算法进行优化，程序可以执行，可以在此基础上进行改变

资源是java实现的PSO粒子群优化算法,可以正常运行,可以根据自己实际业务更改来满足自己的需求.

针对约束边界粒子在边界区域搜索能力不足的问题, 提出一种基于自适应进化学习的约束多目标粒子群优化算法. 该算法根据不符合约束条件粒子的约束违反程度, 修正优化算法的进化学习公式, 提高算法在约束边界区域的搜索能力; 通过引入一种基于拥挤距离的Pareto 最优解分布性动态维护策略, 在不增加算法复杂度的前提下改进Pareto 前沿的分布性. 实验结果表明, 所提出的算法可以获得具有更好收敛性、分布性和多样性的Pareto 前沿.

这里分享最近研究重现的一篇文章《基于粒子群算法和广义回归神经网络的岩爆预测_贾义鹏》，核心算法是广义神经网络GRNN，依据岩石的抗拉强度、弹性能量指数等四个特征对岩爆危险等级的一种预测。算法思路比较简单，程序中加了很多注释，并提供了当时的一些思考。

多目标粒子群算法，挺详细的完美运行。 多目标粒子群（MOPSO）算法是由CarlosA. Coello Coello等在2004年提出来的。目的是将原来只能用在单目标上的粒子群算法（PSO）应用于多目标上。

这是一个研究车牌号码数字识别的综合性工程，从最基本的BP分类，到分别用遗传算法和粒子群算法对BP网络进行优化分类，再到利用Hopfield神经网络对数字进行识别分类。所有代码均能直接运行，并有准备的结果，并且包括数字号码的图像库，识别结果明确。由于本人在此花费了不少精力，所以资源分标了10分，希望能对同学的毕业设计起到作用。