针对具有通信时延的二阶多智能体系统的有限时间一致性控制问题，分别研究了具有固定拓扑和切换拓扑网络结构情形下的二阶多智能体系统的有限时间一致性。为使多智能体系统能在有限时间内可以达到一致，引入一致性控制增益矩阵并设计了相应的基于相对位置和相对速度的时延状态误差有限时间一致性控制算法，利用系统模型转换，泛函微分方程稳定性理论和有限时间Lyapunov稳定性定理得到了使系统在有限时间内达到一致跟踪的最大时延上界值。最后，仿真实验结果验证了所得理论的正确性和有效性。

为了进一步提高量子行为粒子群优化(QPSO) 算法的全局收敛性能, 有效改善算法中存在的粒子早熟问题,提出一种基于完全学习策略的改进QPSO 算法(CLQPSO). 该学习策略改变了QPSO 中局部吸引子的更新方式, 充分利用了种群的社会信息. 采用8 个测试函数对算法性能进行比较分析. 实验结果表明, 所提出的改进算法不仅收敛速度快, 而且全局收敛能力好, 收敛精度优于PSO 算法和QPSO 算法.

三相并网逆变器模型预测控制

zip 包含四个文件PSO31.m 主要 PSO 功能，带有详细注释。 PlotG.m 用于可视化 Griewangk 函数。 Griewangk.m 是 Griewangk 函数本身。

多智能体分布式控制，还介绍了无人机、无人车等基本的系统的建模与协同控制的理论，可以说是非常全面了。

1. 包含单电流环MPC仿真（仅电流环使用MPC策略，速度环使用PI调节器）、速度环和电流环MPC仿真（速度环和电流环均使用MPC策略，非级联）。 2. 仿真为.m文件，非simulink模型，永磁同步电机使用数学模型代替。 3. 文章参考http://t.csdn.cn/CTlyu

运用粒子群算法实现对几种测试函数最优解的搜寻，可对算法进行改进，提升算法的寻优性能。 粒子群算法几种改进方法： 1.权重改进：非线性权重、自适应权重等。 2.学习因子：学子因子动态调整 3.速度更新改进 4.加入新算子等等。

本仿真是三相两电平逆变器的模型预测MPC控制仿真，使用纯传递函数进行控制，特点在于加深对传递函数的理解，思考如何用传递函数进行控制，因为在硬件上的程序实现需要用到控制对象的传递函数等能够反应系统本质的这些函数表达。

通过研究电力负荷预测中支持向量机的参数优化问题，将改进后新的粒子群算法导入支持向量机参数中，从而建立一种新的电力负荷预测模型（IPSO-SVM）。首先将支持向量机参数编码为粒子初始位置向量，然后通过对粒子个体之间信息交流、协作的分析找到支持向量机的最优参数，并针对标准粒子群算法的缺陷进行一定的改进，从而应用于电力负荷的建模与预测，最后通过仿真对比实验来测试它的性能。实验结果表明，这种新的电力负荷预测模型能够获得较高精度的电力负荷预测结果，大大减少了训练时间，能够满足电力负荷在线预测要求。

自适应粒子群优化是一种优化算法，它是粒子群优化（Particle Swarm Optimization，PSO）的一种变体。与传统的PSO不同，APSO使用自适应策略来调整算法的参数，以提高算法的性能和收敛速度。 APSO的主要思想是根据群体的收敛情况动态调整算法的参数。APSO的核心算法与PSO类似，由粒子的速度和位置更新规则组成。每个粒子通过与局部最优解和全局最优解比较来更新自己的位置和速度。 APSO的另一个关键之处是学习因子的自适应调整。在每个迭代中，APSO会计算每个粒子的适应度值。如果适应度值的方差较小，则学习因子的值会变小，以便更加收敛到最优解。相反，如果适应度值的方差较大，则学习因子的值会变大，以便更好地探索解空间。