什么是AKG AKG（自动内核生成器）是针对深度学习网络中的运营商的优化程序。 它具有自动将操作与特定模式融合的功能。 AKG与MindSpore-GraphKernel配合使用，可提高在不同硬件后端运行的网络的性能。 AKG包含三个基本的优化模块：标准化，自动调度和后端优化。 正常化。 为了解决多面体（只能处理静态线性程序）表达能力的局限性，首先需要对计算IR进行归一化。 标准化模块的主要优化包括自动内联，循环融合，公共子表达式消除等。 自动排程。 自动调度模块基于多面技术，主要具有自动矢量化，自动平铺，线程/块映射，依赖关系分析和内存提升。 后端优化。 后端优化模块主要包括TensorCore加速，双缓冲区优化，存储平坦化优化和注入同步优化。 硬件后端支持 目前支持GPU V100/A100 。 列表中有更多后端。 建立 用MindSpore构建 有关详细信息，请参见 。 独

切割优化器 作为 IED Paris 8 项目的一部分，使用 Qt 使用 C ++ 切割优化器

错误恢复应用程序 此存储库中包含的代码是作为克兰菲尔德大学小组项目的一部分创建的。 应用程序包括使用蒙特卡罗技术的升力阻力优化器和监控优化器并允许在出现任何错误或应用程序崩溃后继续模拟的恢复系统。

此工具箱提供均衡优化器 (EO) 方法 “主要”脚本说明了EO如何使用基准数据集解决特征选择问题的示例。 ****************************************************** ****************************************************** **********************************

matlab有些代码不运行均衡优化器 这是用MATLAB编写的均衡优化器的源代码。 平衡优化器（EO）是一种新颖的优化算法，受控制体积质量平衡的启发，可以估算动态状态和平衡状态。 在EO中，搜索代理会随机更新某些称为平衡候选物的有才干粒子的浓度（位置），以最终达到平衡状态（最佳结果）。 下图示意性地显示了平衡候选物在更新粒子浓度方面的协作。 EO的性能已通过58种数学函数（包括单峰，多峰，混合和组合函数）以及3个工程基准问题进行了验证，并将其性能与三类优化方法进行了比较； GA和PSO是研究最深入的元启发式算法，GWO，GSA和SSA是最近开发的算法，而CMA-ES，SHADE和LSHADE-SPACMA是高性能优化器。 全面的统计分析表明，EO的性能明显优于SHADE和LSHADE-SPACMA，而EO的性能明显优于PSO，GA，GWO，GSA，SSA和CMA-ES。 EO的结构简单易实现。 该算法在计算上是有效的，并且像PSO和GA一样，其复杂度为多项式：O（tnd + tcn）其中t，n，d和c分别表示迭代，粒子数，维数和功能评估成本。 您可以在此处下载主要论文： 如果您无权访问

之前的传错了 云南大学编译原理-实现代码优化器

tensorflow2 5种优化器 SGD,SGDM,ADAGRAD,RMSPROP,ADAM 在鸢尾花数据集中的对比，word 文档。

用于乳腺癌数据集的 BBO-MLP 虹膜数据集的 MMO-MLP 可以在这里找到： http : //www.mathworks.com.au/matlabcentral/fileexchange/45804-biogeography-based-optimizer--bbo--for-training-multi-layer-perceptron--毫升- 基于生物地理学的优化器 (BBO) 被用作多层感知器 (MLP) 的训练器。 当前的源代码是用于解决虹膜分类问题的 BBO-MLP 训练器的演示。 本次提交中还有其他培训师：粒子群优化 (PSO)、蚁群优化 (ACO)、遗传算法 (GA)、进化策略 (ES) 和基于概率的增量学习 (PBIL)。 BBO-MLP 的分类精度在 main.m 文件的末尾计算，并与 PSO、ACO、ES、GA 和 PBIL 的分类精度进行比较。 最后绘

灰狼优化器是 mirjalili 提出的元启发式算法。 我们对原始算法提出了新的改进，如附件所示原始算法描述于： http : //dx.doi.org/10.1016/j.advengsoft.2013.12.007 原始代码在： http : //www.mathworks.com/matlabcentral/fileexchange/47258-grey-wolf-optimizer-toolbox

em算法matlab代码EMvsNLM EM算法与nlm优化器用于拟合折叠正态分布的数值比较。 该存储库包含处理后的数据（最初用于Jung，S.，Foskey，M.和Marron，JS（2011），“直接产品流形的主弧分析”，《应用统计年鉴》，第5卷，第578–603页），以及Matlab和R代码。 要进行测试，请先运行matlab_EM.m（在Matlab中），然后再运行r_nlm.r（在R中），具体顺序是这样。 数据 ymat.csv包含15个变量，每个变量有56个观察值。 ymat_t.csv是abs（ymat-1.2）。