使用isodata算法结合lssvm预测风电功率，LSSVR使用二范数优化目标函数，并利用等式约束条件代替SVM标准算法中的不等式约束条件，克服了SVM在大规模问题中存在的训练速度较慢的缺点。

通过分析不同区分性训练目标函数之间的关系,以MMI(MaximumMutualInformation)作为分离度量,

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。

NSGA2算法，MATLAB实现，自定义目标函数，封装完整。
更多内容请访问http://www.omegaxyz.com/

功能：用阻尼牛顿法求解无约束问题：minf（x）输入：x0是初始点，fun是目标函数，gfun是梯度Hess是Hess矩阵函数输出：x和val分别是近似地最优点和最优值，k是迭代次数

本程序只做了电负荷和冷负荷，选取了夏季典型日，只考虑了燃机轮机出力和空调出力，还有从电网购电，目标函数为联供系统一天运行最小费用，求解算法采用粒子群算法，最后得出一天内调度。

若能在系数矩阵(bij)中找出n个独立的0元素；
则令解矩阵(xij)中对应这n个独立的0元素取值为1，其它元素取值为0。
将其代入目标函数中得到zk=0，它一定是最小。
这就是以(bij)为系数矩阵的指派问题的最优解。
也就得到了问题的最优解。

抽象信道估计对于具有混合预编码的毫米波（mmWave）大规模MIMO是具有挑战性的，因为射频（RF）链的数量远小于天线的数量。
传统的基于压缩感测的信道估计方案由于信道角度量化而遭受严重的分辨率损失。
为了提高信道估计精度，本文提出了一种基于迭代重测（IR）的超分辨率信道估计方案。
通过梯度下降法优化目标函数，所提出的方案可以迭代地将估计的到达/离开角度（AoAs/AoD）移向最优解，并最终实现超分辨率信道估计。
在优化中，权重参数用于控制稀疏度和数据拟合误差之间的权衡。
另外，开发基于奇异值分解（SVD）的预处理以降低所提出的方案的计算复杂度。
仿真结果验证了该方案比传统解决方案更好的性能。

lingo是求解最优问题的有效软件，不仅可以求一般的线性规划和非线性规划，还可以求无目标函数的动态规划问题，该论文给出了求解代码！

L1范数正则化，是用于解决目标函数的优化问题的一种方法。

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。