飞蛾扑火优化(MFO)算法是一种新颖的群智能优化算法,该算法的主要灵感来源于飞蛾在自然界中被称为横向定位的飞行方式.作为一种新提出的仿生群智能优化算法,分析了飞蛾扑火优化算法的生物学原理,对算法的实现过程建立了数学模型.通过典型的函数优化对算法进行了仿真测试,结果显示飞蛾扑火优化算法是可行性的、有效的.最后,对将来的工作做进一步的展望. 本算法使用Java语言实现的飞蛾扑火优化算法。

以下混沌图已集成到 BBO 算法中： 切比雪夫地图圆形地图高斯/鼠标图迭代映射物流地图分段图正弦图歌手地图正弦图帐篷地图 CBBO1 到 CBBO10 有混沌选择算子 CBBO11 到 CBBO20 有混乱迁移算子 CBBO21至CBB30具有混沌突变算子 CBBO31至CBBO40结合了混沌选择和迁移算子 CBBO41 到 CBBO50 结合了混沌选择、迁移和变异算子 请注意，除主文件外，其他文件最初由 Dan Simon 教授编写，但由我们修改以开发 CBBO 算法。 您可以在以下位置找到 BBO 算法的原始源代码： http : //academic.csuohio.edu/simond/bbo/ CBBO算法是以下论文的源代码： 主要论文： S. Saremi、S. Mirjalili、A. Lewis，基于生物地理学的混沌优化，神经计算和应用，印刷中，2014 年，Spr

NSGA-Ⅱ是最流行的多目标遗传算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点，成为其他多目标优化算法性能的基准。NSGA-Ⅱ就是在第一代非支配排序遗传算法的基础上改进而来，其改进主要是针对如上所述的三个方面： ①提出了快速非支配排序算法，一方面降低了计算的复杂度，另一方面它将父代种群跟子代种群进行合并，使得下一代的种群从双倍的空间中进行选取，从而保留了最为优秀的所有个体； ②引进精英策略，保证某些优良的种群个体在进化过程中不会被丢弃，从而提高了优化结果的精度； ③采用拥挤度和拥挤度比较算子，不但克服了NSGA中需要人为指定共享参数的缺陷，而且将其作为种群中个体间的比较标准，使得准Pareto域中的个体能均匀地扩展到整个Pareto域，保证了种群的多样性。

【BP预测】基于Sine混沌映射优化麻雀算法改进BP神经网络实现数据预测.zip

非线性无约束优化的向日葵优化 (Sfo) 算法 版权所有 (c) 2018, Guilherme Ferreira Gomes 版权所有。 请将此算法引用为： Gomes, GF, da Cunha, SS, & Ancelotti, AC 应用于层压复合板损伤识别的向日葵优化 (SFO) 算法。 计算机工程，p。 2018 年 1 月 1 日至 8 日。 DOI： https : //doi.org/10.1007/s00366-018-0620-8 Gomes, GF, & de Almeida, FA (2020)。 使用混合设计调整元启发式算法：向日葵优化在结构损伤识别中的应用。 工程软件进展, 149, 102877. https://doi.org/10.1016/j.advengsoft.2020.102877 Gomes, GF, & Giovani, RS (2

多目标哈里斯鹰优化 (HHO)算法.zip

分享了吉萨金字塔建造算法源代码及原文，亲测有效

为解决YOLOv3算法在检测道路交通灯时存在的漏检率高、召回率低等问题,提出一种基于优化YOLOv3算法的交通灯检测方法。首先,采用K-means算法对数据进行聚类分析,结合聚类结果和交通灯标签的统计结果,确定先验框的宽高比及其数量。然后,根据交通灯尺寸特点,精简网络结构,分别将8倍降采样信息、16倍降采样信息与高层语义信息进行融合,在两个尺度上建立目标特征检测层。同时,为了避免交通灯特征随着网络的加深而消失的问题,分别减少两个目标检测层前的两组卷积层,简化特征提取步骤。最后,在损失函数中,利用高斯分布特性评估边界框的准确性,以提升对交通灯检测的精度。实验结果显示,优化YOLOv3算法的检测速度可达30 frame/s,平均精准度较原网络提升9个百分点,可以有效完成对交通灯的检测。

为了在动态环境中很好地跟踪最优解, 考虑动态优化问题的特点, 提出一种新的多目标预测遗传算法. 首先 对Pareto 前沿面进行聚类以求得解集的质心; 其次应用该质心与参考点描述Pareto 前沿面; 再次通过预测方法给出 预测点集, 使得算法在环境变化后能够有指导地增加种群多样性, 以便快速跟踪最优解; 最后应用标准动态测试问题 进行算法测试, 仿真分析结果表明所提出算法能适应动态环境, 快速跟踪Pareto 前沿面.

遗传算法bp神经网络优化,遗传算法优化BP神经网络预测,matlab源码.zip