基于局部搜索的反向学习竞争粒子群优化算法，钱晓宇，方伟，为了提升粒子群优化算法在复杂优化问题, 特别是高维优化问题上的优化性能, 提出了一种基于Solis\&Wets 局部搜索的反向学习竞争粒子群�

智能微电网的优化调度，包括蓄电池、柴油机、大电网等分布式设备，用粒子群算法进行优化，程序可以执行，可以在此基础上进行改变

通过脉冲控制在联合连接的拓扑结构上混合混合多智能体系统的共识

针对在多智能体系统的通信网络中需要对交换信息进行量化的客观情况, 研究基于量化信息的二阶多智能体系统蜂拥控制问题. 首先, 假设多智能体系统采用一致量化器对速度和位置信息进行量化, 并且有一个虚拟领导者沿着固定方向匀速运动; 然后, 设计基于量化信息的多智能体蜂拥控制输入, 并利用非平滑系统的Lyapunov 稳定性判据和不变集原理证明系统的稳定性; 最后, 利用Matlab 对多智能体系统在二维平面上的蜂拥运动进行仿真实验, 仿真结果验证了理论分析的正确性.

资源是java实现的PSO粒子群优化算法,可以正常运行,可以根据自己实际业务更改来满足自己的需求.

针对约束边界粒子在边界区域搜索能力不足的问题, 提出一种基于自适应进化学习的约束多目标粒子群优化算法. 该算法根据不符合约束条件粒子的约束违反程度, 修正优化算法的进化学习公式, 提高算法在约束边界区域的搜索能力; 通过引入一种基于拥挤距离的Pareto 最优解分布性动态维护策略, 在不增加算法复杂度的前提下改进Pareto 前沿的分布性. 实验结果表明, 所提出的算法可以获得具有更好收敛性、分布性和多样性的Pareto 前沿.

研究线性多智能体系统的领航跟随一致性问题. 假设每个多智能体系统只能得到其邻域的输出测量信息, 在此条件下, 讨论多智能体在有向固定网络拓扑和无向切换网络拓扑两种情况下的一致性问题. 针对这两种情况, 提出含有一种分布式观测器的一致性控制算法. 应用Lyapunov 稳定性理论证明了若单个多智能体系统是可镇定和可检测的, 且网络连接拓扑只需满足简单的结构, 则系统能够达到领航跟随一致性. 仿真结果验证了理论分析的正确性.

分布式优化算法已广泛用于解决大规模多智能体系统优化问题，其中异步分布式方法由于其应用于多智能体系统时的灵活性和自主性而受欢迎。在本文中，我们针对多智能体系统一致性问题提出了一种基于的Zero-Gradient-Sum（ZGS）算法的异步分布式优化算法Accelerated-Zero-Gradient-Sum（AZGS），其通过提高智能体之间的信息交互模式来加速ZGS算法的收敛速度。同时改进其信息交互方式使其在实际通信过程中节省通信量。在多智能体系统网络连通的条件下，证明了所提出的算法相比于原算法更快实现渐近收敛。最后，我们通过一个数值示例验证所提出的算法的有效性。

python3实现 多智能体系统均匀多边形编队仿真代码.rar

这里分享最近研究重现的一篇文章《基于粒子群算法和广义回归神经网络的岩爆预测_贾义鹏》，核心算法是广义神经网络GRNN，依据岩石的抗拉强度、弹性能量指数等四个特征对岩爆危险等级的一种预测。算法思路比较简单，程序中加了很多注释，并提供了当时的一些思考。