模拟退火算法

复制到matlab直接能够运行，当然对于matlab的版本可能有些要求，我的是2012版本没问题。TSPLIB是一组各类TSP问题的实例集合。这里以TSPLIB中的berlin52为例进行求解。berlin52有52座城市。

遗传算法代码

复制到matlab直接能够运行，当然对于matlab的版本可能有些要求，我的是2012版本没问题。这里边包括遗传算法，实现对数据充分的拟合，直接输出误差变化过程图，可清楚的观察误差的过程。另外，对于学习遗传算法的同学可谓是在珍贵不过

基于Elman神经网络的电力负荷预测

程序直接能够运行，点击直接就能运行，当然对于matlab的版本可能有些要求，我的是2012版本没问题。对于学习极限学习机神经网络以及搞中长期预报的同学可谓是在珍贵不过

结合量子粒子群算法的光伏多峰最大功率点跟踪改进方法

光伏阵列在局部阴影时的 Ｐ－ Ｕ 曲线呈现多峰特性， 需要设计光伏多峰最大功率点跟踪方 法， 以实现光伏发电最大功率输出， 提高光伏发电效率。相比粒子群优化算法， 量子粒子群优化算 法具有收敛速度更快和全局收敛性等优势。提出了一种基于量子粒子群优化算法的光伏多峰最大 功率点跟踪改进方法。该方法采用量子粒子群优化算法实现最大功率点的全局搜索； 根据光伏阵 列在局部阴影时Ｐ－ Ｕ 曲线上功率极值点的分布特点初始化种群中的粒子总数及其电压； 并根据量 子粒子群优化算法收敛时粒子自身最优位置的特点， 提出了更适合光伏多峰最大功率点跟踪的收 敛判据。仿真测试表明， 提出的改进方法能够快速有效地实现光伏多峰最大功率点跟踪， 收敛速度 更快， 避免了不收敛的问题， 且具有应对光照情况变化的能力， 提高了局部阴影时光伏发电的效率

基于改进的量子粒子群 优化小波神经网络的网络流量预测

为了改善小波神经网络( WNN) 进行流量预测的性能及避免量子粒子群算法( QPSO) 搜索后期的早熟 收敛缺陷，提出了一种改进的 QPSO。该算法定义粒子群聚拢度，改进收缩—扩张系数使其表示为聚拢度的函数 并服从随机分布，以使粒子群具有动态自适应性，避免陷入局部最优， 并通过搜索使用 WNN 待优化参数编码位 置向量的粒子群的全局最优位置来实现目标参数的优化，使用本算法优化 WNN 参数， 建立了基于改进的 QPSO 优化 WNN 的网络流量预测模型。使用真实网络流量通过两组对比实验对其预测精度进行验证， 证明了该方法 的可用性。实验结果表明，该方法的预测精度优于 WNN 和 QPSO-WNN 方法

改进量子粒子群算法的模糊神经网络水质评价

传统的粒子群算法训练神经网络的水质评价模型有学习速度慢， 容易陷入局部最优和精确性不高的缺点。 为了克服模型的缺点， 提出了利用改进的自适应量子粒子群算法训练 T-S模糊神经网络的新模型， 新的自适应量子 粒子群算法通过在算法中引入聚集度的概念， 使得算法可以在迭代中自适应地调整收缩扩张系数， 让算法更具动态 自适应性。新的模型结合了量子粒子群算法和 T-S模糊神经网络的优点， 提高了模型的泛化能力。通过对东江湖流 域站点 2002到 2013年的水文数据进行实验， 结果显示， 该模型比其他神经网络模型的评价结果具有更高的效率， 适 合被用于日常水质评价工作

基于小波包变换及 RBF 神经网络的 继电器寿命预测

继电器的性能参数时序值为非平稳时间序列，为了对其工作寿命进行准确预测，本文 对小波包变换原理进行了改进，利用改进的小波包变换将具有非平稳特征的继电器超程时间径流 序列进行分解，使其平稳项和随机项分离，对平稳项采用传统的 AR 模型进行预测，对于随机项 则建立基于相空间重构的 RBF（径向基函数）神经网络预测模型进行预测，最后通过小波包重构 方法对两种模型预测结果进行重构，实现对原始非平稳径流序列的预测。该方法通过实例验证具 有较高的精度，是一种可行的方法

基于改进ＰＳＯ 优化 ＲＢＦ神经网络的 温室温度预测研究

论文以温室内外的气象数据为输入量， 以温室内温湿度等气象因子为输出量， 使用改进 ＰＳＯ 算法优化的 ＲＢＦ 神经网络构建温室内环境温湿度的预测模型。通过实验对预测模型进行仿真测试与性能评估， 验证该方法的可行性和有效 性。该模型数据获取方便、 所需参数少、 模拟精度高， 为温室内极端温度的预测、 调控和管理优化提供了科学依据

基于 PSO 优化 RBF 神经网络的溶解氧预测算法研究

溶解氧浓度是渔业养殖水质安全的重要指标， 也是影响养殖水产品健康的关键因 素，对其进行实时监测和预测具有重要意义。 溶解氧受环境中pH值等参数影响，针对溶解 氧的变化情况该文采用MI_PSO_RBF（互信息_粒子群_RBF神经网络）算法对渔业养殖环 境溶解氧含量进行预测，首先采用互信息理论MI降低两个随机变量统计的相关性；然后采 用径向基函数RBF神经网络算法对渔业养殖水环境中溶解氧变化趋势进行预测；最后采用 粒子群算法PSO对RBF神经网络的模型参数进行优化，并利用该模型对渔业养殖溶解氧变 化趋势进行预测。 经实验验证表明，多参数远程监测系统稳定性好，基于MI_PSO_RBF的 溶解氧预测算法预测效果良好，为渔业养殖提供了良好的参考价值

基于ＰＦ－ＲＢＦ神经网络的短期风电功率预测

为了提高风电功率的预测精度， 研究了一种基于粒子滤波（ Ｐ Ｆ） 与径向基函数（ ＲＢＦ） 神经网络相结合的风电功率预测方法。使用 Ｐ Ｆ算法对历史风速数据进行滤波处理， 将处理后的风 速数据结合风向、 温度的历史数据， 归一化后构成风电功率预测模型的新的输入数据； 利用处理后 的新的输入数据和输出数据， 建立 Ｐ Ｆ－ＲＢＦ神经网络预测模型， 预测风电场的输出功率。仿真结果 表明， 使用该预测模型进行风电功率预测， 预测精度有一定的提高， 连续１ ２０ｈ功率预测的平均绝对 百分误差达到８．０４％， 均方根误差达到１０．６７％