目标函数为 function fit=fitness1(x) fit=1-exp(-(x(1)-1)^2-(x(2)+1)^2); 和 function fit=fitness2(x) fit=1-exp(-(x(1)+1)^2-(x(2)-1)^2); 程序运行的时候会出现速度最后非常非常小，所有粒子全聚集到一起 约束问题如何解决 每个粒子的最优解，是不是需要约束的限制 整个粒子的最优解是不是也需要约束的限制 粒子过分集中，如何将粒子打散

双目标优化，优化函数为： function fitness1=f1(x) format long; fitness1=x(1); %测试函SCH return 和 function fitness2=f2(x) format long; n=30; s=0; for i=2 :n s=s+x(i); end gx=1+9*s/(n-1); fitness2=gx*(1-sqrt(x(1)/gx)); %测试函SCH return

针对共享汽车运营中车辆与客户匹配率低的问题，文中对汽车停放网点的选址位置及网点建设规模进行了优化设计。通过引入差分进化算法，对传统的人工鱼群算法进行改进，将人工鱼群划分为开发集与探索集。开发集与探索集间使用不同的步长和视野参数，实现了鱼群差异化的并行进化，提升了算法对于最优值的搜索能力。通过引入判定概率，改变原有的聚群、追尾方式，实现开发集与共享集间信息的高效互通，降低算法的运算复杂度。最终基于实际共享汽车的运营数据，测试网点的优化方案。结果表明，在有限的网点建设成本下，该算法可以改善67%的供求差。此外，改进算法的平均运行时间为56.25 s，而传统算法的运行时间为89.35 s，运行效率显著提升。

电力系统经济调度问题是电力系统中的一个重要的研究课题,针对该问题,提出一种改进粒子群优化(ODPSO)算法.改进算法在搜索前期,采用广义的反向学习策略,使算法能够快速地靠近较优的搜索区域,从而提高收敛速度;在搜索后期,借鉴差分进化算法的进化机制设计改进的变异和交叉策略,对当前种群的最优粒子进行更新,从而提高种群的多样性,进而协助算法获得全局最优解.为了验证改进粒子群优化算法的有效性,对CEC2006提出的22个基准约束测试函数进行仿真,结果表明改进算法相比其他算法在寻优精度和稳定性上更具优势.最后,将改进算法应用于考虑机组爬坡速率约束、机组禁行区域约束以及电力平衡约束的两个电力系统经济调度问题,取得了令人满意的结果.

连续方法是跟踪非线性动态系统平衡点解轨迹的一种基本方法，连续方法应用于电力系统来分析静态电压稳定，它可以克服常规潮流在极限点附近不能收敛的问题。

资源内容为帝王蝶优化算法--Matlab实现。 项目源自Github：https://github.com/ggw0122/MBO 如果没有积分或者打不开的朋友可以联系邮箱：1454196320@qq.com

Matlab-代码实例-粒子群算法---多目标搜索算法讲解

采用烟花优化算法优化（FWA）优化LSTM回归预测，全中文注释，内置数据集，直接matlab2019中运行就可以。

采用粒子群优化算法（pso）优化LSTM回归预测，全中文注释，内置数据集，可以直接在MATLAB2019上直接运行。

哈里斯鹰优化算法的python实现 如果没有积分或者有什么问题 可以邮件联系：1454196320@qq.com