为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.

单变量粒子群优化算法演示程序，可观察研究粒子在优化过程中的行为。代码为 C++ & VS2010。

针对粒子群优化算法局部搜索能力不足和易出现早熟收敛的问题，提出一种基于动态随机搜索和佳点集构造的改进粒子群优化算法。该算法通过引入动态随机搜索技术，对种群当前最优位置进行局部搜索；采用佳点集构造对陷入早熟收敛的种群重新初始化；引入负梯度方向直线搜索来加速算法寻优。仿真实验结果表明，与标准粒子群优化(SPSO)算法和耗散粒子群优化(DPSO)算法比较，提出的改进算法具有快速的收敛能力而且能有效地跳出局部最优，优化性能得到明显提高。

针对差分进化算法易出现早熟现象和收敛速度慢等问题, 提出一种具有人工蜂群搜索策略的差分进化算 法. 利用人工蜂群搜索策略很强的探索能力, 对种群进行引导以帮助算法快速跳出局部最优点. 此外, 为了提高算法 的全局收敛速度, 采用一种基于反学习的初始化方法. 通过对12 个标准测试函数进行仿真实验并与其他算法相比较, 表明了所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.

人工蜂群优化算法，一种典型群智能优化算法。。。。。。。。。。

视频讲解了什么是粒子群算法 使用matlab 进行了粒子群算法的实现 详细的代码注释

使用matlab语言编程的粒子群算法对含分布式电源的配电网进行多目标优化

matlab代码粒子群算法粒子群选择 ParticleSwarmOpt是使用微粒群优化算法（由）开发的优化工具。 不需要工具箱。 将路径添加到您的Matlab，然后就可以使用它了。 该代码无法执行离散搜索，也不支持多目标优化。 对于文本功能，请检查此网站： 执照 麻省理工学院

行业资料-电子功用-一种基于改进粒子群优化算法的同步风力发电机参数辨识方法