针对Taylor算法进行TDOA定位时，其初始估计位置的误差易导致Taylor算法不收敛和定位精度差的问题，提出一种基于自然选择的线性递减权重粒子群优化（W-SPSO）与Taylor算法协同定位的方法。该方法先通过W-SPSO算法得到一个初始估计位置（x，y），再通过Taylor算法在（x，y）处进行迭代运算得到最终定位结果。不同噪声情况下的仿真结果显示：W-SPSO与Taylor算法协同定位方法对MS坐标估计值的均方差（RMSE）小于标准PSO（粒子群优化）、SelPSO（基于自然选择的粒子群优化算法）、W-SPSO、Taylor以及Chan五种算法的RMSE。因此，所提出的定位方法在保留了SelPSO算法求解精度和收敛性的基础上，同时提高了全局搜索能力，使其具有更高的定位精度和收敛性。

MATLAB优化算法案例分析与应用（进阶篇）11-20章程序下载

MATLAB优化算法案例分析与应用（进阶篇）21-30章程序下载

MATLAB优化算法案例分析与应用（进阶篇）1-10章程序下载

《MATLAB优化算法案例分析与应用》随书附带程序下载code

官网下载，用于智能群优化算法的CEC2021测本测试函数(matlab和C两个版本)。

CEC2017单目标锦标赛冠军算法LSHADE-SPACMA的matlab版本代码

基于混合策略改进的鲸鱼优化算法.rar

引入混沌粒子群算法进行改进的果蝇优化算法。

针对PSO在寻优过程容易出现“早熟”现象，提出了一种基于Sobol序列的自适应变异PSO算法（SAPSO）。该算法以积分控制粒子群算法（ICPSO）为基础，使用准随机Sobol序列初始化种群个体，并在算法过程中引入基于多样性反馈的Beta分布自适应变异来保持种群的多样性，避免陷入局部最优。仿真结果表明，SAPSO算法在求解复杂优化问题时优势明显，可以有效地避免算法陷入局部最优，在保证收敛速度的同时增强了算法的全局搜索能力。