【lstm预测】基于粒子群优化算法改进的lstm预测matlab源码.zip

Hausdorff距离在图像匹配领域广泛应用。针对Hausdorff距离结合一些搜索策略的匹配算法实时性不高的问题，提出了一种基于改进Hausdorff距离和人工蜂群算法搜索策略的图像快速匹配。首先提取模板图像和匹配子图的边缘特征，然后计算的模板图像和匹配子图的Hausdorff距离作为两者的相似度量标准，最后采用人工蜂群算法进行搜索匹配。实验结果表明，该方法在不降低匹配率的情况下，缩短了匹配时间，能应用到嵌入式领域。

【优化求解】基于模拟退火结合粒子群优化算法matlab源码.zip

 针对光伏阵列在阴影下具有多个最大功率点，而传统的优化算法不能有效跟踪全局最大功率点的问题，提出了一种基于粒子群优化算法的跟踪算法，在Matlab平台上利用M函数对光伏阵列和跟踪算法进行编程。仿真结果表明：该控制算法不仅具有跟踪速动快、稳态精度高的特点，而且能够跟踪全局最大功率点，比传统的优化算法更有优势。

粒子群算法，也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization），缩写为 PSO， 是近年来由J. Kennedy和R. C. Eberhart等 [1] 的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”() 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。

论文研究-求解双层规划模型的粒子群优化算法 .pdf,

【优化求解】基于tent混沌改进粒子群优化算法.zip

提出了一种通过改进全局最优位置粒子寻优策略而提高粒子群优化计算效率的混合粒子群优化算法

RBF网权值的量子粒子群优化算法

输电网规划是一个离散型、非线性、多目标的混合整数规划问题，难于求解。提出一种多目标粒子群优化算法用来求解输电网规划问题。在输电网规划模型中考虑了建设投资费用、运行费用及网损费用等3方面的因素。多目标粒子群优化算法基于Pareto支配关系来更新粒子的个体极值，并采用了精英归档技术，粒子的全局极值由档案库中的非劣解提供。使用Matlab7，1对Garver-6节点系统进行仿真计算，结果表明：与传统的单目标遗传算法相比，多目标粒子群优化算法获得的规划方案总费用更低，该方法可以提高输电网规划的经济性水平。