火力分配的粒子群算法，测试通过，适于专业学习

在本文中，考虑了一种新颖的动态粒子群优化算法来进行复合函数优化。 由于在实践中通常存在复杂的计算问题，因此解决该问题意义重大。 动态邻域拓扑和小波变异可以帮助PSO算法与相邻粒子协同工作，克服早熟问题。 结果提供了对所提出的算法如何在解决复合函数方面具有更好的有效性的见解。

PSO粒子群算法求解多元函数极值代码

粒子群算法 约束多目标 优化 matlab代码 粒子群算法 约束多目标 优化 matlab代码 粒子群算法 约束多目标 优化 matlab代码 粒子群算法 约束多目标 优化 matlab代码

为了改善旅行商(TSP)优化求解能力,对模拟退火与混合粒子群算法进行改进,引入了自适应寻优策略。交叉、变异的混合粒子群算法,易于陷入局部最优,而自适应的模拟退火算法可以跳出局部最优,进行全局寻优,所以两者的结合兼顾了全局和局部。该算法增加的自适应性寻优策略提供了判定粒子是否陷入局部极值的条件,并可借此以一定概率进行自适应寻优,增强了全局寻优能力。与混合粒子群算法实验结果对比,显示了本文算法的有效性。

使用于潮流无功优化

多目标搜索算法相对于单目标算法来说，更加贴近于实际问题，求解结果更具有参考价值。通过多目标搜索算法最终得到的不是一个最优解，而是一个非劣解集，需要从非劣解集中根据实际问题的需要选择一个解作为该问题的最终解。 多目标背包问题描述： 假设存在五类物品，每类物品中又包含四种具体物品，现要求从这五类物品中分别选择一种物品放入背包中，使得背包内物品的总价值最大，总体积最小，并且背包的总质量不超过92Kg。其中P为每个物品的价值，R为每个物品的体积，C为每个物品质量。（具体的数据和注释附在代码中）

基于改进粒子群算法的三维装箱优化研究，杨志强，牛占文，本文提出一种适用于求解三维装箱问题的改进粒子群优化算法。该算法在简化粒子群优化算法的基础上，引入小生境技术实现初始种群的

C++中仅用random和math.h库编写的粒子群算法，特别适合才开始接触C++的人群

为克服BP神经网络算法在故障诊断应用中的缺点,提出了粒子群优化BP神经网络的方法,并在此基础上优化BP神经网络的结构来提高准确率。最后,通过对变压器故障诊断在Matlab中的仿真结果,验证了此方法有较高的准确率和较快的收敛速度。