根据牛里的一篇论文自己搭了个simulink仿真，使用了matlab2020b，验证了该方法，附论文

多目标粒子群优化算法，万能公式，改进的多目标粒子群算法，包括多个测试函数 。对程序中的部分参数进行修改将更好地求解某些函数

Economic Dispatch using PSO基于粒子群算法的经济调度，含损耗电力平衡方程的粒子群优化发电机调度问题，应用粒子群优化技术解决经济调度问题。在应用程序的GUI上输入描述中提到的所有必要参数。

MPC是当前高级控制算法的主流。该书作为专业的模型预测控制算法介绍书籍，详细的介绍了MPC算法的发展历程以及理论思想，是当前最权威的关于模型预测控制的资料。

本文章包括60页，仅为全书的一部分，并非全文。请下载前明晰。

针对配电网多目标无功优化的应用需求以及优化算法存在的收敛性和多样性问题，基于Pareto熵的多目标粒子群优化算法，提出一种应用于多目标无功优化的改进粒子群优化算法。该算法在全局外部档案更新过程中引入冗余集策略，避免迭代过程中陷入局部最优解。将算法应用于配电网无功优化中时，采用离散变量取整方法，加快算法的收敛速度。建立网损、电压偏差及无功补偿装置投资最小的配电网多目标无功优化模型，并以IEEE 33节点配电网络为算例进行仿真，结果表明改进后的算法兼顾了优化的收敛性和多样性，能够在不同的优化要求下得到有效的无功优化方案。

Nonlinear Model Predictive Control Theory and Algorithms 非线性模型预测控制以及对应的PPT

13种粒子群优化算法，包括协同，混合，局部，全局，繁殖等，对应的博客地址http://www.cnblogs.com/hxsyl/p/4521778.html

自适应巡航控制系统（ACC）作为高级驾驶员辅助系统（ADAS）之一，在提高驾驶安全性和舒适性方面越来越受欢迎。由于ACC的目标可能是多维的，并且常常彼此冲突，因此在其控制设计中这是一项具有挑战性的任务。本文提出的研究将ACC控制设计作为具有多个目标的约束优化问题。引入了用于ACC控制的分层框架，旨在在可能的情况下在驾驶安全性和舒适性，速度和/或距离跟踪以及燃油经济性方面实现最佳性能。在分层框架下，操作模式是在上层确定的，其中基于模型预测控制（MPC）的间距控制器用于处理多个控制目标。另一方面，下层用于致动器控制，例如用于车辆纵向动力学的制动和驱动控制。通过增加系统尺寸，将执行器延迟与车辆纵向动力学相结合，可转换为无延迟系统。然后开发二次成本函数，通过解决最优控制问题来获得理想的控制输出。通过将车距限制在安全范围内，可以确保行车安全。其他目标则通过其相应的性能指标来考虑。低级控制器用作执行器控制单元，该单元控制动力总成和制动系统，以确保根据反向纵向动力学模型跟踪所需的加速度。最后，拟议的ACC在PanoSim:registered:下进行仿真和评估，PanoSim:registered:

智能优化算法： 粒子群优化算法（PSO）应用于神经网络优化程序。分为无隐含层、一隐含层、二隐含层。运行DemoTrainPSO.m即可