二维粒子群算法的matlab代码实现

详细的改进粒子群算法 不懂的指令有注释 已经测试过可用

MOPSO多目标粒子群算法nsga算法

煤矿安全风险预警是煤炭开采过程中实现安全保障的关键一环，在记录矿井下安全隐患数据时，采集相关的数据容易受到外界环境因素（如光线、温度、湿度等）和人为因素的影响，导致划分安全风险等级出现误差，从而使得处理安全隐患的措施得不到正确实施。为了解决煤矿等相关企业存在的安全风险等级划分不精确的问题，本文研究了一种基于改进基于粒子群算法（PSO）和卷积神经网络（CNN）的煤矿安全风险智能分级管控与信息预警系统。该系统采用基于改进PSO的智能数据筛选模型，利用PSO算法查找全局最优解的特性，筛选掉不合理的数据，减少了人工计算数据不准确或采集矿区信息过程中出现纰漏的问题；采用基于改进的CNN的智能风险分级模型，通过对数据特征的采集、融合处理，实现了高精确划分安全风险等级。实验与应用结果表明:该系统对安全风险数值的查全率为85.6%，查准率为91.7%，较其他系统查全率提升了4.2%，查准率提升了2.8%，大大提升了安全风险等级划分的精确度，对出现的安全隐患及时预警效果显著。此方法有效减少了安全隐患发生的频度。

基于改进粒子群算法的云计算任务调度算法.pdf

【WSN布局】基于改进粒子群算法实现WSN节点优化部署matlab源码

提出了一种改进的量子粒子群算法,并将该算法用于求解非线性混合整数规划问题。构造了一种自适应调整的惯性权重,平衡了算法的全局搜索和局部搜索能力;针对混合整数规划问题,给定一定比例的初始可行解,提高了初始种群解的多样性;利用协同进化选择策略,对种群中的不可行解重新生成,使种群中每个粒子的信息充分利用,从而提高算法的收敛速度;为了抑制算法的早熟现象,给出了一种新的混沌搜索方式,对全局最优解进行局部搜索,增强算法的局部搜索能力。通过16个常见的测试函数测试结果表明,改进的量子粒子群优化算法对求解非线性混合整数规划问题,在成功率和精度方面得到很大的提高。

使用粒子群算法求最优解问题相较于传统算法计算速度非常快，全局搜索能力也很强；PSO对于种群大小不十分敏感，所以初始种群设为500-1000，速度影响也不大； 粒子群算法适用于连续函数极值问题，对于非线性、多峰问题均有较强的全局搜索能力。本教程主要介绍使用matlab工具箱使用以及实用案例。

针对非线性系统,提出了一种基于BP神经网络的预测控制方法。以BP神经网络建立多步预测模型并预测系统输出值,用LM(Levenberg-Marquardt)算法和PSO(Particle Swarm Optimization)算法组合的混合算法对目标性能指标函数进行滚动优化求解,得到非线性系统的最优控制量;利用误差修正参考输入法实现反馈矫正。通过将粒子群算法引入LM算法,克服了LM算法依赖初值和粒子群算法过早收敛于局部极值的问题,提高了求解的运行速度和精确度。通过对单变量非线性系统仿真实验,证明了该控制系统具有良好的稳定性、自适应性和鲁棒性。该方法可在数学模型不确定的情况下设计出有效的预测控制器。

针对细菌觅食算法在优化过程中环境感知能力较弱且容易陷入局部极值的缺陷, 将梯度粒子群算法的基本思想引入细菌觅食算法中, 改进原算法的收敛速度和收敛能力, 并据此提出了基于梯度粒子群算法的细菌觅食算法GPSO-BFA。该既利用了细菌觅食算法出色的全局搜索能力, 又借助梯度粒子群算法的快速局部寻优能力, 很好地将两者的优势结合在一起。基于6个高维Benchmark函数的实验结果显示, 该算法在收敛速度和精度方面都优于其他四种细菌觅食算法。