Sobol全局敏感性分析Matlab代码，输出一阶敏感度Sol_1及总敏感度Sol_t。
对简单函数来说，自己仿照构造一个目标函数Sobol_obj即可；
如果分析对象是Matlab外部的模型，其实就不需要Sobol_obj了，代码中的kp就是模型参数值，output、c_out_1和c_out_2就是kp代入模型算出来的模型输出，用实际数据替换一下就行了。
本程序参考文献：Bilal,N.(2014).ImplementationofSobol'sMethodofGlobalSensitivityAnalysistoaCompressorSimulationModel.InternationalCompressorEngineeringConference.Paper2385.

爬山法(Hill-climbing)搜索的算法，它是一个向值增加的方向持续移动的简单循环过程——也就是，登高。
是一种最简单的启发式搜索算法,它将最陡上升方向作为搜索方向,因此能够以最快的速度爬到山顶。
它将会到达一个“峰顶”时终止，相邻状态中没有比它更高的值。
这种算法不维护搜索树，因此当前节点的数据结构只需记录当前的状态和它的目标函数值。
爬山法不会前瞻与当前状态不直接相邻的那些状态的值，就像健忘的人攀登珠穆朗玛峰一样。

基本粒子群算法，可以用来优化微电网调度问题，实现目标函数最小问题。

针对多用户正交频分复用系统自适应资源分配问题,提出一种改进的子载波和基于差分进化算法的功率自适应分配算法。
该算法首先在均等功率下进行子载波分配,然后通过添加约束条件检测改进步骤,改进差分进化算法,并采用该算法根据设置的兼顾用户公平性与系统容量的目标函数,全局寻优实现用户间的功率分配。
仿真结果表明,算法在低算法复杂度及兼顾用户公平性的情况下实现了较高的系统容量提升,证明其有效性。

用C语言实现的最速下降法，可利用函数指针将自己的目标函数设置进去

在这个程序中，目标函数是一元函数，然后变量没有编码，采用的实数法。
子代选择使用的是轮盘赌法。
多目标函数和多变量函数，以及轮盘赌法和覆盖法。
变量编码与未编码。
请看我其他上传的资源。
都自己运行过。
注释详细。

拟牛顿法和最速下降法一样只要求每一步迭代时知道目标函数的梯度。
通过测量梯度的变化，构造一个目标函数的模型使之足以产生超线性收敛性。
这类方法大大优于最速下降法，尤其对于困难的问题。
另外，因为拟牛顿法不需要二阶导数的信息，所以有时比牛顿法更为有效。
如今，优化软件中包含了大量的拟牛顿算法用来解决无约束，约束，和大规模的优化问题。
本程序是拟牛顿法-bfgs算法的matlab代码。

提出了基于深度学习的聚类算法模型,将深度学习和聚类技术结合起来。
首先用深层神经网络结构对原始数据进行特征学习,然后对学习到的特征表示进行预聚类,最后在微调模块中进行特征的优化和聚类的优化。
这种模型能够学习到大规模数据中隐含的深层特征,并根据聚类要求进行进一步优化,在保持原始数据的结构的同时发掘数据簇结构。
在微调部分作者新设计了目标函数,使得微调完全成为一个优化的问题。

在可见光范围内,对消光光谱法颗粒测量技术中的病态性问题进行分析,对目标函数的极值情况和反演计算结果进行了计算讨论,并对标准聚苯乙烯颗粒进行了实验测量和反演计算.模拟计算和实验结果表明,在消光光谱法测量中,亚微米级颗粒的病态性表现得尤为严重,目标函数极值情况和反演结果对误差非常敏感,反演结果的稳定度和准确度较差.为保证测量结果准确性,应尽可能减小测量误差.微米级颗粒对应的目标函数极值情况和反演计算结果则较为理想.

MATLAB中AR模型功率谱估计中AR阶次估计的实现-psd_my.rar（最近看了几个关于功率谱的问题，有关AR模型的谱估计，在此分享一下，希望大家不吝指正）（声明：本文内容摘自我的毕业论文——心率变异信号的预处理及功率谱估计）（按：AR模型功率谱估计是对非平稳随机信号功率谱估计的常用方法，但是其模型阶次的估计，除了HOSA工具箱里的arorder函数外，没有现成的函数可用，arorder函数是基于矩阵SVD分解的阶次估计方法，为了比较各种阶次估计方法的区别，下面的函数使用了'FPE','AIC','MDL','CAT'集中准则一并估计，并采用试验方法确定那一个阶次更好。
）………………………………以上省略……………………………………………………………………假设原始数据序列为x，那么n阶参数使用最小二乘估计在MATLAB中实现如下：Y=x;Y(1:n)=[];m=N-n;X=[];%构造系数矩阵fori=1:m  forj=1:n      X(i,j)=xt(ni-j);  endendbeta=inv(X'*X)*X'*Y';复制代码beta即为用最小二乘法估计出的模型参数。
此外，还有估计AR模型参数的Yule-Walker方程法、基于线性预测理论的Burg算法和修正的协方差算法等[26]。
相应的参数估计方法在MATLAB中都有现成的函数，比如aryule、arburg以及arcov等。
4.3.3AR模型阶次的选择及实验设计文献[26]中介绍了五种不同的AR模型定阶准则，分别为矩阵奇异值分解（SingularValueDecomposition,SVD）定阶法、最小预测定误差阶准则（FinalPredictionErrorCriterion,FPE）、AIC定阶准则（Akaika’sInformationtheoreticCriterion,AIC）、MDL定阶准则以及CAT定阶准则。
文献[28]中还介绍了一种BIC定阶准则。
SVD方法是对Yule-Walker方程中的自相关矩阵进行SVD分解来实现的，在MATLAB工具箱中arorder函数就是使用的该算法。
其他五种算法的基本思想都是建立目标函数，阶次估计的标准是使目标函数最小化。
以上定阶准则在MATLAB中也可以方便的实现，下面是本文实现FPE、AIC、MDL、CAT定阶准则的程序（部分）：form=1:N-1  ……    %判断是否达到所选定阶准则的要求  ifstrcmp(criterion,'FPE')    objectfun(m1)=(N(m1))/(N-(m1))*E(m1);  elseifstrcmp(criterion,'AIC')    objectfun(m1)=N*log(E(m1))2*(m1);  elseifstrcmp(criterion,'MDL')    objectfun(m1)=N*log(E(m1))(m1)*log(N);  elseifstrcmp(criterion,'CAT')    forindex=1:m1        temp=temp(N-index)/(N*E(index));    end    objectfun(m1)=1/N*temp-(N-(m1))/(N*E(m1));  end    ifobjectfun(m1)＞=objectfun(m)    orderpredict=m;    break;  endend复制代码orderpredict变量即为使用相应准则预测的AR模型阶次。
（注：以上代码为结合MATLAB工具箱函数pburg,arburg两个功率谱估计函数增加而得，修改后的pburg等函数会在附件中示意，名为pburgwithcriterion）登录/注册后可看大图程序1.JPG(35.14KB,下载次数:20352)下载附件 保存到相册2009-8-2820:54上传登录/注册后可看大图程序2.JPG(51.78KB,下载次数:15377)下载附件 保存到相册2009-8-2820:54上传下面本文使用3.2.1实验设计的输出结果即20例经预处理的HRV信号序列作为实验对象，分别使用FPE、AIC、MAL和CAT定阶准则预测AR模型阶次，图4.1（见下页）为其中一例典型信号使用不同预测准则其目标函数随阶次的变化情况。
从图中可以看出，使用FPE、AIC以及MDL定阶准则所预测的AR模型阶次大概位于10附近，即阶次10左右会使相应的目标函数最小化，符合定阶准则的要求，使用CAT定阶准则预测的阶次较小，在5~10之间。
图4.2（见下页）为另一例信号的阶次估计情况，从中也可以得到同样的结论。
（注，实验信号为实验室所得，没有上传）登录/注册后可看大图图片1.JPG(28.68KB,下载次数:5674)下载附件 保存到相册2009-8-2820:54上传

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。