包含25个优化相关代码 │ SVM用于分类时的参数优化，粒子群优化算法，用于优化核函数的c,g两个参数(SVM PSO).rar │ 文件树.txt │ ├─10基于MATLABCPLEX 的机组最优组合，成功求解表格化，图示化的机组组合结果 │ │ www.imdn.cn.txt │ │ 我是程序员_imdn.url │ │ │ └─电力系统机组组合优化 │ excel2017.xls │ jizuzuheyouhua.m │ 基本要求.docx │ 机组组合问题求解结果.xls │ 热备用0.05机组各时段最优出力图表.vsdx │ 热备用0.05状态下的机组组合问题求解结果.xls │ 热备用0.2下的机组最优出力.vsdx │ 热备用0.2状态下的机组组合问题求解结果.xls │ 直流潮流下的节点导纳矩阵.xls │ 节点导纳的逆矩阵.xls

MOPSO算法小结，个人心得总结。

混合 NSGAII-MOPSO 算法（matlab）（Hybrid NSGAII-MOPSO Algorithm） 本研究工作提出了一种协同混合元启发式算法，结合了非支配排序遗传算法II和多目标粒子群优化算法，用于求解多目标测试函数。在迭代过程中，根据排名，人口被分成两半。探索是通过非支配排序遗传算法II使用人口的上半部分进行的。通过增加个人学习系数、降低全局学习系数和使用自适应变异算子来修改多目标粒子群优化以有效利用下半部分人口。所提出的具有有效约束处理机制的混合算法通过有效的信息交换增强了搜索能力。该算法适用于标准测试功能。混合算法可以得到一个分布良好且多样化的帕累托最优解，并且比现有的一些算法更快地收敛到实际的帕累托最优前沿。

Multi-Objective Particle Swarm Optimization (MOPSO) 此函数执行多目标粒子群优化 (MOPSO) 以最小化连续函数。该实现是可以忍受的、计算成本低且压缩的（该算法只需要一个文件：MPSO.m）。提供了一个“example.m”脚本以帮助用户使用该实现。还值得注意的是，为了便于理解，代码被高度注释。该实现基于 Coello 等人的论文。(2004)，“用粒子群优化处理多个目标”。 重要提示：您指定的目标函数必须是矢量化的。这意味着它将获取整个种群（即矩阵 Np x nVar，其中 Np 是粒子数，nVar 是变量数）并且它期望接收每个粒子的适应度值（即向量 Np × 1)。如果函数没有向量化并且只接收一个值，那么代码显然会出现错误。 引用为

有关更多信息，请参见以下链接： http://yarpiz.com/59/ypea121-mopso

此函数执行多目标粒子群优化 (MOPSO) 以最小化连续函数。 该实现是可以承受的，计算成本低，并且经过压缩（该算法只需要一个文件：MPSO.m）。 提供了一个“example.m”脚本以帮助用户使用该实现。 还值得一提的是，为了便于理解，对代码进行了高度注释。 此实现基于Coello等人的论文。 (2004)，“使用粒子群优化处理多个目标”。 重要提示：您指定的目标函数必须是矢量化的。 这意味着它将采用整个种群（即矩阵 Np x nVar，其中 Np 是粒子数，nVar 是变量数）并且它期望接收每个粒子的适应度值（即，向量 Np × 1)。 如果函数没有被向量化并且只接收一个值，代码显然会引发错误。

粒子群优化(PSO)算法是一种模拟社会行为的、基于群体智能的进化技术，以其独特的搜索机理、出色的收敛性能、方便的计算机实现，在工程优化领域得到了广泛的应用

hslogic算法仿真-MOPSO优化算法得到Pareto域，多目标优化

hslogic算法仿真-MOPSO优化算法得到Pareto域，多目标优化