传统的极限学习机作为一种有监督的学习模型，任意对隐藏层神经元的输入权值和偏置进行赋值，通过计算隐藏层神经元的输出权值完成学习过程.针对传统的极限学习机在数据分析预测研究中存在预测精度不足的问题，提出一种基于模拟退火算法改进的极限学习机.首先，利用传统的极限学习机对训练集进行学习，得到隐藏层神经元的输出权值，选取预测结果评价标准.然后利用模拟退火算法，将传统的极限学习机隐藏层输入权值和偏置视为初始解，预测结果评价标准视为目标函数，通过模拟退火的降温过程，找到最优解即学习过程中预测误差最小的极限学习机的隐藏层神经元输入权值和偏置，最后通过传统的极限学习机计算得到隐藏层输出权值.实验选取鸢尾花分类数据和波士顿房价预测数据进行分析.实验发现与传统的极限学习机相比，基于模拟退火改进的极限学习机在分类和回归性能上都更优.

对LMS自适应算法进行了详细的性能分析与讨论，针对LMS算法运算较复杂、适应性较弱、稳定性差的缺点提出了一种HLMS（混合LMS）算法。建立了自适应噪声抵消系统，利用MATILAB软件对食堂、体育馆两处的录音信号进行计算机语音去噪仿真分析。实验结果表明，两种自适应方法均能有效抑制各种噪声污染，提高语音信噪比为60%~85%，而且对引入的语音信号失真也较小，二者均在10%以下。HLMS算法比LMS算法更简洁，LMS算法调节性能敏感于参考输入的方差，而HLMS算法敏感于参考输入的均方根值，因此HLMS算法的适应性比LMS算法更强，在非平稳随机输入情况下HLMS算法更能提供稳定的工作性能，更能较好的恢复原始语音信号。

凝聚层次聚类算法的改进，张宏，李欣欣，凝聚型层次聚类算法是一个非常有用的聚类算法,它在迭代地凝聚每次接近对直到所有的数据都属于同一个簇。但层次聚类也存在缺点,如�

针对灰狼算法具有易陷于局部最优并且收敛速度不理想的缺点，提出基于改进收敛因子策略和引入动态权重策略以及两种策略混合改进的灰狼优化算法，并且用于求解函数优化问题。提出一种非线性收敛因子公式，能够动态地调整算法的全局搜索能力，引入的动态权重使算法在收敛过程中能够加快算法的收敛速度。通过15个基准测试函数验证改进后算法的全局搜索能力、局部搜索能力与收敛速度，实验结果表明，改进后的算法无论在搜索能力还是收敛速度上都强于标准灰狼算法。

针对n维闭包腔函数优化问题,把单纯形自映射不动点算法与遗传算法结合进行求解。首先将解空间利用同胚映射转化为n维标准单纯形,然后对n维标准单纯形进行K2(m)剖分和相应的整数标号得到个体的承载单纯形顶点的标号信息,依据顶点信息和函数设计编码和遗传算子,当个体的承载单纯形是全标单纯形时,算法终止,得到优化问题的近似解。算例结果表明,改进后的算法在6代之内完成收敛,显示了极高的全局优化形态与计算效率。

SSD算法相关合集，收纳了以SSD算法为基础的改进目标检测算法

扫描线种子填充算法的改进,经典算法时间、空间耗费较大，改进后时间和空间耗费均减少。希望对大家有所帮助！

Apriori算法及改进算法分析数据挖掘课程论文

给定一个子串，要求找出某个字符串中该子串的第一次出现的位置，即实现各种模式匹配。本资源中含有bf算法，和kmp算法，以及改进后的kmp算法

为了解决多目标灰狼优化算法（MOGWO）易陷入局部最优，稳定性差等缺点，基于对算法寻优时灰狼个体运动情况的分析，提出了两条改进策略：一是通过引入“观察”策略赋予灰狼个体自主探索的能力，以提高算法的优化效率和跳出局部最优的能力；二是改进控制参数调整策略，选用幂函数取代线性函数以提高算法的稳定性。然后对两条改进策略进行了可行性分析，提出了带观察策略的多目标灰狼算法并进行了算法复杂度分析。最后通过对6个不同特点测试函数的多次重复实验，结合GD与IGD两种通用评价指标，对原算法、改进后算法和多目标粒子群算法进行比较，从算法效率、寻优能力和稳定性等方面综合验证了算法改进的有效性和优越性。