针对铝土矿连续磨矿过程球磨机节能降耗问题以及铝土矿来源复杂、品位差异大等特点,提出了球磨机多目标多模型预测控制方法.该方法首先建立状态空间浓度预测模型和粒级质量平衡加权多模型细度预测模型.然后构建了包含磨机排矿浓细度区间控制和经济性能指标的多目标优化结构的多模型预测控制策略.最后采用乘子罚函数法求解控制器局部最优解.仿真及现场试验结果表明了该方案的有效性.

考虑智能交通系统中员工在聚集站点上下班，建立车辆调度问题的数学模型。
针对蚁群优化算法的缺点，自适应地改变信息素挥发因子，采用混沌搜索产生初始种群可以加速染色体向最优解收敛，构成一种自适应蚁群优化算法。
应用该算法和基本蚁群优化算法对该模型求解，实验证明了构造算法在收敛速度和寻优结果两方面都优于基本蚁群优化算法

该文研究频率选择性信道中多用户点对点分布式中继网络波束形成技术。
为了均衡源节点与中继节点以及中继节点与目标节点之间的频率选择性信道，该文提出的波束形成技术在中继节点上采用有限长响应滤波器和滤波而后转发的中继数据传输方法，以最小化中继节点的发射总功率为目标，同时满足所有目标节点的服务质量(QoS)。
该波束形成优化问题的直接形式由于其非凸性而难以求得最优解。
该文采用半定松弛(SDP)方法将其近似为凸优

TSPLIB是来自各种来源和各种类型TSP（以及相关问题）的示例实例库，并且给出了对应各个样例的最优解。
https://comopt.ifi.uni-heidelberg.de/software/TSPLIB95/index.html

遗传算法（GeneticAlgorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《AdaptationinNaturalandArtificialSystems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。
　　遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。
每个个体实际上是染色体(chromosome)带有特征的实体。
染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。
因此，在一开始需要实现从表现型到基因型的映射即编码工作。
由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（geneticoperators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。
这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。

作业车间调度问题是将多台机器安排处理多个工件的组合优化问题，使最大完工时间达到最小。
应用传统萤火虫算法求解时，萤火虫个体到达最优解附近时，相对吸引力逐渐增强，导致局部搜索能力减弱，造成求解结果在最优解附近震荡，进而使求解精度下降。
为改善解的质量，本文在萤火虫算法迭代过程中引入精英选择策略，保护进化过程中的优秀个体，避免最优解丢失；
为提高算法收敛速度与求解精度，对萤火虫位置更新方法引入基于种群规模和迭代次数的动态自适应惯性权重；
同时对每一代萤火虫种群最优个体引入禁忌搜索算法，提高局部搜索能力。
仿真结果表明本文所提出改进算法在解决作业车间调度问题上的有效性与实用价值。

粒子群算法，也称粒子群优化算法（ParticleSwarmOptimization），缩写为PSO，是近年来发展起来的一种新的进化算法。
PSO算法属于进化算法的一种，和遗传算法相似，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。
压缩文件内附有英文说明书

混合萤火虫和粒子群优化，是一种元启发式搜索优化算法，可以对非线性问题搜索最优解，收敛速度快，不会陷入局部最优

matlab用于求解规划问题的工具包推荐把这个工具整合到matlab中去，这个工具是私人的，不过大家都可以免费下载使用。
下载后，只要在matlab中添加路径就可以使用这工具箱。
正在吸引我的是，这个工具箱建立了一种新的数据类型，使所有规划问题都整合在一起。
举例如下：已知非线性整数规划为：Maxz=x1^2+x2^2+3*x3^2+4*x4^2+2*x5^2-8*x1-2*x2-3*x3-x4-2*x5s.t.0＜=xi＜=99(i=1,2,...,5)x1+x2+x3+x4+x5＜=400x1+2*x2+2*x3+x4+6*x5＜=8002*x1+x2+6*x3＜=800x3+x4+5*x5＜=200在matlab中输入x=intvar（1，5）；
f=[11342]*(x'.^2)-[82312]*x';F=set(0＜=x＜=99);F=F+set([11111]*x'＜=400)+set([12216]*x'＜=800)+set(2*x(1)+x(2)+6*x(3)＜=800);F=F+set(x(3)+x(4)+5*x(5)＜=200);solvesdp(F,-f)double(f)80199double(x)539999990intvar（m，n）:生成整数型变量；
sdpvar（m，n）：生产变量；
solvesdp（F，f）：求解最优解（最小值），其中F为约束条件（用set连接），f为目标函数double：显示求解的答案intvar，sdpvar，生成的变量可以像矩阵一样使用，如例题显示。

实现一个能够演示解决货郎担问题的小软件。
要求用3种不同方法解决同一个问题，软件能够产生或者载入不同的路径矩阵，路径矩阵数据保存在硬盘文件中。
城市节点数目从5、10、20、40做不同变化，观察不同节点数目下，算法运行效率和运行结果的变化趋势。
软件应该给出每一个搜索步骤，最后标示出完整的解路径，并指明是否为最优解。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。