用于特征选择的粒子群优化 运行算法： 步骤 1：运行 PSO.m 文件 您可以使用您选择的数据集和 SVM 分类器替换数据集和 SVM 分类器。 如果您发现错误，请给我们发电子邮件。 Sadegh Salesi sadegh.salesi@my.ntu.ac.uk Georgina Cosma 博士 georgina.cosma@ntu.ac.uk 参考：S. Salesi 和 G. Cosma，“一种用于特征选择的新型扩展二进制布谷鸟搜索算法”，2017 年第二届知识工程与应用国际会议 (ICKEA)，伦敦，2017 年，第 6-12 页。 doi：10.1109/ICKEA.2017.8169893 网址： http : //ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8169893&isnumber=8169886

对基本的粒子群算法，采用matlab实现，并附有详细的解说，很不错的一个源程序代码.

Python中的群智能（遗传算法，粒子群优化，模拟退火，蚁群算法，免疫算法，Python中的人工鱼群算法） 文档： : 文档： : 源代码： : 帮助我们改善scikit-opt 安装 pip install scikit-opt 对于当前的开发人员版本： git clone git@github.com:guofei9987/scikit-opt.git cd scikit-opt pip install . 特征 功能1：UDF UDF （用户定义的函数）现在可用！ 例如，您刚刚制定了一种新型的selection功能。 现在，您的selection功能如下所示： ->演示代码： # step1: define your own operator: def selection_tournament ( algorithm , tourn_size ): Fi

收缩因子法 1999年，Clerc引入收缩因子以保证算法的收敛性。 速度更新公式为 其中，收缩因子K为受φ1 φ2 限制的w。φ1 φ2是需要预先设定的模型 参数 收缩因子法控制系统行为最终收敛，且可以有效搜索不同区域，该法 能得到较高质量的解。

多智能体系统的协同群集运动控制》-陈杰.zip

汽车刹车距离matlab代码介绍 带我去自驾车！ 在过去的十年中，由于计算速度，传感器技术和大众关注度的提高，自动驾驶汽车的发展加速了。 本文探讨了如下所示的自动驾驶汽车的软件体系结构。 控制器使用模型预测控制（MPC）算法来预测汽车的未来位置，从而知道汽车的“车辆动力学”方程式和测量到的位置（当前状态）。 该算法适用于任何具有电子控制方向盘，油门和制动踏板的汽车。 您可以读取传感器值（相机，雷达，激光雷达，GPS）并直接从汽车上控制汽车，并与制造商联系以进行确认。 模型预测控制（MPC）算法 这种架构使您可以使用模型预测控制（MPC）控制车辆的加速，制动和转向。 上面显示的软件体系结构已在上图中显示的自动驾驶现代奏鸣曲上进行了测试。 它已在高速公路速度和城市行驶条件下成功进行了测试。 从当前状态开始，在每个采样时间步长上，都会在有限的范围内解决开环最优控制问题。 对于每个连续的时间步长，时间步长会在水平范围内解决基于新测量的新的最优控制问题。 最佳解决方案依赖于关于输入约束，输出约束以及最小化性能指标（成本）的过程动态模型。 该模型的成本方程式是简单的距离公式，它通过使成本误差最小化

龚建伟第二版书中可行的程序，遇到问题大家一起留言讨论进步学习。

算法介绍 设想这样一个场景：一群鸟在随机搜索食物，在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为"粒子"。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。

本代码在matlab里编写，将多智能体思想和粒子群算法结合起来形成基于多智能体的粒子群算法，并将其运用在IEEE40节点店里负荷分配问题上，取得不错的效果

花了五个月时间的成果，可以很好的运行在eclipse上，每个智能体之间相互通信，实现微电网的经济调度，并通过MATLAB的绘图工具将仿真结果展现