针对于多目的差分进化算法求解多目的优化下场时收敛慢战争均性欠佳等不够，提出了一种基于多策略排序变异的多目的差分进化算法。
该算法行使基于排序变异算子来快捷濒临真正的Pareto最优解，同时引入多策略差分进化算子以相持种群的多样性；
经由自顺挑策略动态调解抑制参数以普及算法的鲁棒性，并且从实际证实的角度阐发了所提算法的收敛性。
仿其实验下场评释，该算法绝对于近期相关文献中的改善算法具备更好的收敛性与多样性，从而批注晰所提算法的实用性。
该算法行使基于排序变异算子来快捷濒临真正的Pareto最优解，同时引入多策略差分进化算子以相持种群的多样性；
经由自顺挑策略动态调解抑制参数以普及算法的鲁棒性，并且从实际证实的角度阐发了所提算法的收敛性。
仿其实验下场评释，该算法绝对于近期相关文献中的改善算法具备更好的收敛性与多样性，从而批注晰所提算法的实用性。
2023/4/25 20:58:50
1.06MB
1
《NumericalOptimization2nd》--JorgeNocedalStephenJ.Wright数值优化对于最优化下场提供了一种迭代算法思绪，经由迭代垂垂濒临最优解，分别对于无解放最优化下场以及带解放最优化下场举行求解
2023/4/17 16:34:28
4.25MB
1
matlab实现用蚁群算法处置tsp下场，使用的是TSPLIB中的31个都市，最优解为15602，下载就可用，有评释
2023/4/9 19:07:28
9KB
1
大规模优化下场涌普通各个规模。
将大规模下场剖析为与变量交互无关的小规模子下场并举行相助优化是优化算法中的关键步骤。
为了探究变量交互并实施下场剖析责任，咱们开拓了两阶段的变量交互重修算法。
提出了一种学习模子，以探究部份可变相互传染作为先验学识。
提出了一种边缘化降噪模子，以使用先验学识结构部份变量交互传染，行使该学识将下场剖析为小规模模块。
为了优化子下场并缓解过早收敛，咱们提出了一种相助式分层粒子群优化框架，在该框架中，方案了应急诱惑，交互认知以及自我导向开拓的算子。
末了，咱们举行实际阐发以进一步知道所提出的算法。
阐宣告明，假如准确剖析下场，该算法能够保障收敛到全局最优解。
试验是在C
将大规模下场剖析为与变量交互无关的小规模子下场并举行相助优化是优化算法中的关键步骤。
为了探究变量交互并实施下场剖析责任，咱们开拓了两阶段的变量交互重修算法。
提出了一种学习模子，以探究部份可变相互传染作为先验学识。
提出了一种边缘化降噪模子，以使用先验学识结构部份变量交互传染，行使该学识将下场剖析为小规模模块。
为了优化子下场并缓解过早收敛，咱们提出了一种相助式分层粒子群优化框架，在该框架中，方案了应急诱惑，交互认知以及自我导向开拓的算子。
末了，咱们举行实际阐发以进一步知道所提出的算法。
阐宣告明，假如准确剖析下场，该算法能够保障收敛到全局最优解。
试验是在C
2023/3/28 9:44:52
1.5MB
1
实现一个能够演示解决重排九宫问题的小软件。
要求用3种不同方法解决同一个问题，软件自动产生不同的初始状态和目标状态，然后能够给出每一个搜索步骤，最后标示出完整的解路径，并指明能否为最优解。
要求用3种不同方法解决同一个问题，软件自动产生不同的初始状态和目标状态，然后能够给出每一个搜索步骤，最后标示出完整的解路径，并指明能否为最优解。
2023/3/4 10:57:04
110KB
1
内含遗传算法类，针对不同的问题可派生不同的对象进行运算处理，可约束VRP问题使用的车辆数目、里程、载货量，对迭代代数进行监控，颜色体展示，并对运算最优解进行图形表示
2023/1/17 0:42:52
101KB
1
多目标进化优化算法基础篇——NSGA-Ⅱ算法。
NSGA主要问题：1、构造pareto最优解集计算复杂度太高，为O(),m为目标个数，N为种群大小2、需预先设定共享参数3、没有采取外部种群策略（即精英保留机制）NSGA-Ⅱ改进情况：1、快速非支配解排序2、基于拥堵距离保持解集多样性3、引入精英保留机制保持优良个体
NSGA主要问题：1、构造pareto最优解集计算复杂度太高，为O(),m为目标个数，N为种群大小2、需预先设定共享参数3、没有采取外部种群策略（即精英保留机制）NSGA-Ⅱ改进情况：1、快速非支配解排序2、基于拥堵距离保持解集多样性3、引入精英保留机制保持优良个体
2021/10/6 4:34:58
1.56MB
1
我的思路是这样的：最速下降法能找出全局最优点，但在接近最优点的区域内就会陷入“齿型”迭代中，使其每进行一步迭代都要花掉非常久的时间，这样长久的等待是无法忍耐的，不信你就在我那个程序的第一步迭代中把精度取得很小如：0.000000001等，其实我等过一个钟都没有什么结果出来。
再者我们考究一下牛顿迭代法求最优问题，牛顿法相对最速下降法的速度就快得多了，而且还有一个好处就是能高度逼近最优值，而不会出现死等待的现象。
如后面的精度，你可以取如：0.0000000000001等。
但是牛顿法也有缺点，就是要求的初始值非常严格，如果取不好，逼近的最优解将不收敛，甚至不是最优解。
就算收敛也不能保证那个结就是全局最优解，所以我们的出发点应该是：为牛顿法找到一个好的初始点，而且这个初始点应该是在全局最优点附近，这个初始点就能保证牛顿法高精度收敛到最优点，而且速度还很快。
思路概括如下：1。
用最速下降法在大范围找到一个好的初始点给牛顿法：（最速下降法在精度不是很高的情况下逼近速度也是蛮快的）2。
在最优点附近改用牛顿法，用最速下降法找到的点为牛顿法的初始点，提高逼近速度与精度。
3。
这样两种方法相结合，既能提高逼近的精度，还能提高逼近的速度，而且还能保证是全局最优点。
这就充分吸收各自的优点，扬长避短。
得到理想的结果了。
再者我们考究一下牛顿迭代法求最优问题，牛顿法相对最速下降法的速度就快得多了，而且还有一个好处就是能高度逼近最优值，而不会出现死等待的现象。
如后面的精度，你可以取如：0.0000000000001等。
但是牛顿法也有缺点，就是要求的初始值非常严格，如果取不好，逼近的最优解将不收敛，甚至不是最优解。
就算收敛也不能保证那个结就是全局最优解，所以我们的出发点应该是：为牛顿法找到一个好的初始点，而且这个初始点应该是在全局最优点附近，这个初始点就能保证牛顿法高精度收敛到最优点，而且速度还很快。
思路概括如下：1。
用最速下降法在大范围找到一个好的初始点给牛顿法：（最速下降法在精度不是很高的情况下逼近速度也是蛮快的）2。
在最优点附近改用牛顿法，用最速下降法找到的点为牛顿法的初始点，提高逼近速度与精度。
3。
这样两种方法相结合，既能提高逼近的精度，还能提高逼近的速度，而且还能保证是全局最优点。
这就充分吸收各自的优点，扬长避短。
得到理想的结果了。
2021/8/24 8:13:46
3KB
1
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。
2024-04-09 15:03
15KB