针对非线性系统,提出了一种基于BP神经网络的预测控制方法。以BP神经网络建立多步预测模型并预测系统输出值,用LM(Levenberg-Marquardt)算法和PSO(Particle Swarm Optimization)算法组合的混合算法对目标性能指标函数进行滚动优化求解,得到非线性系统的最优控制量;利用误差修正参考输入法实现反馈矫正。通过将粒子群算法引入LM算法,克服了LM算法依赖初值和粒子群算法过早收敛于局部极值的问题,提高了求解的运行速度和精确度。通过对单变量非线性系统仿真实验,证明了该控制系统具有良好的稳定性、自适应性和鲁棒性。该方法可在数学模型不确定的情况下设计出有效的预测控制器。

PSO 算法解决 TSP 优化问题 可执行程序+实验报告

粒子群算法matlab代码。

本代码通过具体的算例给出PSO算法的详细过程，通过优化算法寻找一个双参数方程的极值。Python代码。

改进PSO算法在电力系统无功优化中的应用.pdf

基于PSO算法的IEEEAC5A励磁系统对电力系统电压稳定性的影响.pdf

Multi-Objective Particle Swarm Optimization (MOPSO) is proposed by Coello Coello et al., in 2004. It is a multi-objective version of PSO which incorporates the Pareto Envelope and grid making technique, similar to Pareto Envelope-based Selection Algorithm to handle the multi-objective optimization p

#资源达人分享计划#

#资源达人分享计划#

该压缩包内含三个实例，分别为求解函数极值点、求解函数最小值、求解含多个局部极值的函数最小值。均为PSO 算法求解函数极值的应用，带有较为详细的注释，可运行。