通过假设存在记忆效应和长程相互作用，将非广义统计量与相对论流体动力学（包括相变）一起讨论在重离子碰撞中产生的带电粒子的横向动量分布。 结果表明，非扩展统计和流体动力学的综合贡献可以很好地描述sNN = 200 GeV时Au + Au碰撞和sNN = 2.76 TeV时π±和K±的Pb + Pb碰撞的实验数据。 整个测得的横向动量区域，对于pp-，在pT≤2.0GeV / c的区域内。 这与我们以前使用常规统计数据和流体动力学的工作不同，后者的可描述区域仅限制在pT≤1.1GeV / c。

我们在ALICE测量的中心性类别中，以sNN = 5.02 TeV表示Pb-Pb碰撞中的带电粒子伪快速密度。 该测量涵盖了从3.53.5到5的较大伪快速范围，足以可靠地估计碰撞中产生的带电粒子总数。 对于最中心的碰撞（0到5％），我们发现21400±1300，而对于最外围的碰撞（80到90％），我们发现230±38。 这对应于（27±4）％超过ALICE先前报告的sNN = 2.76 TeV的结果。 发现在重离子碰撞中产生的带电粒子总数与能量有关，符合行为的修正幂律。 将最中心碰撞的带电粒子假快速密度与模型计算进行比较，但都无法完全描述所测得的分布。 我们还提出了带电粒子的速度密度的估计。 发现该分布的宽度与光束速度具有显着的比例关系，而与从顶部SPS能量到LHC能量的碰撞能量无关。

傅立叶系数v2和v3表征sNN = 5.02 TeV在PbPb碰撞中产生的带电粒子的方位分布的各向异性，是通过CMS实验收集的数据进行测量的。 测量结果涵盖了宽的横向动量范围，1 10 GeV / c范围，其中各向异性的方位角分布应反映所创建介质中部分能量损失的路径长度依赖性。 结果显示在PbPb碰撞中心性的几个区间中，涵盖了60％的大多数中心事件。 v2系数是使用标量积和多粒子累积量方法测量的，它们对初始状态波动具有不同的敏感性。 在所有检查的中心度类别中，两种方法的值一直保持正值，直到pTˆ60-60 80 GeV / c。 v 3系数，仅用标量积方法测量，对于pT≥20 GeV / c趋于零。 理论计算和数据之间的比较为重离子碰撞中Parton能量损失的路径长度依赖性提供了新的约束，并突出了初始状态波动的重要性。

提出了使用2016-2017年CMS实验收集的s = 13 TeV的质子-质子碰撞数据搜索衰变为光子和弱相互作用粒子的长寿命粒子的方法。 数据集对应于77.4 fb-1的综合亮度。 结果是在超对称性和规范介导的超对称性破裂的背景下进行解释的，其中中性分子是长寿命的，并衰变成光子和引力子。 极限值是根据中性线适当的衰变长度和质量而定的。 对于0.1、1、10和100 m的适当中性衰减长度，在95％的置信度下，质量分别高达320、525、360和215 GeV的质量被排除在外。 我们将中性线的适当衰变长度的先前最佳限制扩展了一个数量级，而中性线的质量则扩展了最高100 GeV。

我们研究了在大型强子对撞机（LHC）上弱耦合到标准模型字段的伪标量的类轴标粒子（ALP）的发现潜力。 我们的重点是耦合到电磁场的ALP，这会引起逐光的异常散射。 在质子碰撞和重离子碰撞中，大型强子对撞机在超外围碰撞中光子对的集中独家生产中，可以直接探究这一点。 我们考虑了LHC的非标准碰撞模式，例如sNN = 7 TeV时的氩-氩碰撞和sNN = 8.16 TeV时的质子-铅碰撞，以访问参数空间中与先前考虑的铅-铅互补的区域 和质子-质子碰撞。 此外，我们表明，使用激光束相互作用，我们可以将ALP限制为由异常的逐光散射效应引起的折射率的共振偏差。 如果我们结合上述方法，则可以在从eV规模到TeV规模的各种质量范围内探测ALP。

ACM集训、国赛、美赛算法实现，各种智能算法（遗传算法、模拟退火算法、蚁群算法、粒子算法、神经网络算法等）实现和优化.zipACM集训、国赛、美赛算法实现，各种智能算法（遗传算法、模拟退火算法、蚁群算法、粒子算法、神经网络算法等）实现和优化.zipACM集训、国赛、美赛算法实现，各种智能算法（遗传算法、模拟退火算法、蚁群算法、粒子算法、神经网络算法等）实现和优化.zipACM集训、国赛、美赛算法实现，各种智能算法（遗传算法、模拟退火算法、蚁群算法、粒子算法、神经网络算法等）实现和优化.zipACM集训、国赛、美赛算法实现，各种智能算法（遗传算法、模拟退火算法、蚁群算法、粒子算法、神经网络算法等）实现和优化.zipACM集训、国赛、美赛算法实现，各种智能算法（遗传算法、模拟退火算法、蚁群算法、粒子算法、神经网络算法等）实现和优化.zipACM集训、国赛、美赛算法实现，各种智能算法（遗传算法、模拟退火算法、蚁群算法、粒子算法、神经网络算法等）实现和优化.zipACM集训、国赛、美赛算法实现，各种智能算法（遗传算法、模拟退火算法、蚁群算法、粒子算法、神经网络算法等）实现和优化.zipACM集

基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP 基于粒子群优化BP神经网络的单变量时间序列预测Matlab程序PSO-BP

为了克服使用单一智能优化算法在求解复杂问题中表现出的精度不高、易陷入局部最值、不能在全局搜索等一系列不足，算法融合的思想开始被研究和应用。将GA与PSO、GWO这三种经典算法进行融合，并辅以改进，从而利用它们的互补性，取长补短，提高求解复杂问题的能力。 无免费午餐定理，对任何优化问题，任两种优化算法的平均性能是相等的，没有任何一种优化算法在计算效率、通用性、全局搜索能力等性能方面都能表现得很好。 算法的混合也就成了算法优化领域的一个研究热点和趋势，混合有着固有的内在需求，不是简单地将算法组合叠加，要按照一定的策略和模式进行。 GA算法过程简单，全局收敛性好，多用于进行函数优化、数据挖掘、生产调度、组合优化、图像处理、机器学习等问题。但个体没有记忆，遗传操作盲目无方向，所需要的收敛时间长； PSO算法原理简单，用速度、位移公式迭代易于实现，具有记忆功能，需要调节的参数少，在寻优稳定性和全局性收敛性方面具有很大优势，但容易陷入局部最优值出现早熟，种群多样性差，搜索范围小，在高维复杂问题寻优时更为明显，多用于求解组合优化、模式分解、传感器网络、生物分子研究等领域。 联合GWO算法

MATLAB代码：基于粒子群算法的储能优化配置 关键词：储能优化配置 粒子群 储能充放电优化 参考文档：无明显参考文档，仅有几篇文献可以适当参考 仿真平台：MATLAB 平台采用粒子群实现求解 优势：代码注释详实，适合参考学习，非目前烂大街的版本，程序非常精品，请仔细辨识 主要内容：建立了储能的成本模型，包含运行维护成本以及容量配置成本，然后以该成本函数最小为目标函数，经过粒子群算法求解出其最优运行计划，并通过其运行计划最终确定储能容量配置的大小，求解采用的是PSO算法（粒子群算法），求解效果极佳，具体可以看图 这段程序主要是一个粒子群优化算法，用于解决电力系统潮流计算问题。下面我将对程序进行详细的分析和解释。 首先，程序开始时进行了一些初始化操作，包括清除变量、设置最大迭代次数、搜索空间维数、粒子个数等。然后，加载了一个名为"load.txt"的文件，将文件中的数据除以100000并赋值给变量Pload。 接下来，使用两个嵌套的for循环初始化粒子的速度和位置。速度v和位置x都是一个N行D列的矩阵，其中N为粒子个数，D为搜索空间维数。每个粒子的速度和位置都是随机生成的，位

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真模型及运行结果