粒子群优化灰色模型，粒子群优化算法的应用 提高模型的预测精度 粒子群优化灰色模型 采用粒子群算对灰色模型中的参数进行优化，提高模型的预测精度

•一种混合元启发式优化算法，结合了萤火虫和粒子群算法的优点。 •通过控制先前的全局最佳适应值提出局部搜索策略。 请引用： İbrahim Berkan Aydilek，一种用于计算昂贵的数值问题的混合萤火虫和粒子群优化算法，应用软计算，第 66 卷，2018 年 5 月，第 232-249 页

Alberto Bemporad大神讲的研究生课程，资源是去年从他的官方网站下载的，他的资源一直在更新，都是开源的 我目前在用MPC在轮式机器人上做轨迹跟踪，对这方面感兴趣的小伙伴欢迎私信跟我交流~~~

matlab开发-混合粒子群优化和引力算法。PSOGSA是PSO和GSA的有效结合。

基于模型预测控制的无人驾驶车辆轨迹跟踪问题研究

车辆路径 matlab代码 Intelligent_Algorithm 用matlab解决路径规划和竞争设施选址问题 一、五个基础算法以及示例： ga 遗传算法解决分配问题 问题描述： 现有10个工人去做10件工作，每个工人完成每项工作所需时间不同。 要求每个工人只做一项工作，每项工作只由一个工人完成。 怎样指派工人完成工作可以使所用总时间最少？ tabu 禁忌搜索算法解决解决商旅问题 问题描述： 某5个城市旅行商问题， 用禁忌搜索算法实使得旅行商走过所有城市后回到原点的总路径最小。 ants 蚁群算法 问题描述： 设有19个客户随机分布于长为10km的正方形区域内。配送中心位于区域正中央，其坐标为（0，0）。 各客户的坐标及需求量如下表所示，配送中心拥有若干辆载重量为9t的车辆，对客户进行服务时都从配送中心出发， 完成对客户点的配送任务后再回到配送中心。现要求以最少的车辆数、最小的车辆总行程来完成货物的派送任务， 用蚁群算法求解该VRP问题(vehicle routing problem)。 SA 模拟退火算法 问题描述： n 个工作将要指派给n 个工人分别完成，问如何安排可使总的

% fodpso - 分数阶达尔文粒子群的 MatLab 函数% 优化 (FODPSO)。 % 仅限于九个变量的优化问题，但很容易% 被扩展为更多的变量。 % % xbest = fodpso(func) % xbest - 优化问题的解决方案。 列数% 取决于输入函数。 size(func,2)=xi 变量的数量% func - 包含数学表达式的字符串。 定义了变量% 为 xi。 例如， func='2*x1+3*x2' 表示这是一个优化问题% 两个变量。 % % [xbest,fit] = fodpso(func) % fit - 使用 xbest 解决方案返回 func 的优化值。 % % [xbest,fit] = fodpso(func,xmin) % xmin - xi 的最小值。 size(xmin,2)=xi 变量的数量。 默认% -100。 % % [xbest,fit]

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.

此提交包括称为 BPSOGSA 的混合 PSOGSA 的二进制版本，用于解决二进制优化问题。 这些代码适用于以下论文： S. Mirjalili, G.-G. Wang, LS Coelho，使用混合粒子群优化和引力搜索算法的二元优化神经计算和应用，印刷中，2014，Springer，DOI： http : //dx.doi.org/10.1007/s00521-014-1629-6 PSOGSA 的原始提交可在以下位置找到： http : //www.mathworks.com/matlabcentral/fileexchange/35939-hybrid-particle-swarm-optimization-and-gravitational-search-algorithm--psogsa - 和论文： A New Hybrid PSOGSA Algorithm for F

河流水质实时评价技术对当前河流水资源管理和保护具有重要意义。本文以淮河水质为例，利用粒子群优化的极限学习机（Particle Swarm Optimization-Extreme Learning Machine，PSO-ELM）分类算法对淮河水质进行类别判定。在极限学习机（ELM）分类算法中随机给定输入权值矩阵和隐含层偏置，需要较多的隐含层节点才能达到所需的精度要求，隐含层节点过多易于出现过拟合现象并增加算法的计算量。本文利用粒子群算法(PSO)优化极限学习机的输入权值矩阵和隐含层偏置，计算输出权值矩阵，以减少隐含层节点。通过对比PSO-ELM、ELM这两种算法发现，PSO-ELM算法以较少的隐含层节点可获得更高的精度，降低了对实验样本的需求量，提高了模型的拟合能力。实验结果表明，PSO-ELM对于水质类别判定具有一定的可行性和有效性。