传统随机森林分类算法采用平均多数投票规则不能区分强弱分类器，而且算法中超参数的取值需要调节优化.在研究了随机森林算法在文本分类中的应用技术及其优缺点的基础上对其进行改进，一方面对投票方法进行优化，结合决策树的分类效果和预测概率进行加权投票，另一方面提出一种结合随机搜索和网格搜索的算法对超参数调节优化.Python环境下的实验结果表明本文方法在文本分类上具有良好的性能.

此源代码实现了2018年IEEE进化计算大会（ 举办的大规模全球优化竞赛的获胜者 该实现是使用numpy在Python 3中完成的。 此源代码可根据通用公共许可证（GPLv3）免费获得。 但是，如果在研究论文中使用它，则应参考原始工作： “ Molina，D.，LaTorre，A。Herrera，F。SHADE通过迭代局部搜索进行大规模全局优化。2018年度会议，IEEE进化计算大会，里约热内卢，巴西，2018年7月8日至13日， pp 1252-1259“ 它在WCCI 2018中特别是在IEEE进化计算大会上进行了介绍。 。 安装 建议使用 source install.sh 该命令将在venv目录中创建具有所有必需依赖项的虚拟环境（virtualenv）。 跑 准备使用大规模全球优化CEC'2013基准进行实验的源代码。 参数： python shadeils -f -

可以用遗传算法GA优化LSTM网络的超参数

基于粒子群算法和遗传算法的PID参数优化程序，matlab源代码。内含matlab源代码源代码说参考论文。

传统非局部平均(Non-Local Means, NLM)图像去噪算法的像素相似性度量可靠性较差，其关键滤波参数选取与优化值偏差较大。针对上述问题，提出了一种改进的NLM图像去噪算法。首先，滤除方法噪声中的噪声分量，保留有用图像信息；然后，联合去噪结果与处理后的方法噪声重新定义NLM算法的相似权函数，更好地利用原图像的信息；最后，采用噪声标准差二次函数的方式设置滤波参数，相比于传统的线性正比方式选取参数，这种选取方式在不同噪声强度下均能获得较优的参数值。对几个标准测试图像的去噪结果表明，提出的改进NLM算法获得了较好的去噪效果，优于相比较的几种方法。

由于支持向量机的主要参数的选择能够在很大程度上影响分类性能和效果，并且目前参数优化缺乏理论指导，提出一种粒子群优化算法以优化支持向量机参数的方法.该方法通过引入非线性递减惯性权值和异步线性变化的学习因子策略来改善标准粒子群算法的后期收敛速度慢、易陷入局部最优的缺陷.实验结果表明，相对于标准粒子群算法，本方法在参数优化方面具有良好的鲁棒性、快速收敛和全局搜索能力，具有更高的分类精确度和效率.

支持向量机 (SVM) 是一种广泛用于分类和回归问题的算法。 在 SVM 中，惩罚参数 C 和内核参数会对 SVM 的复杂度和性能产生重大影响。 本文提出了一种最优觅食算法(OFA)来优化SVM的主要参数，减少分类误差。 实验结果表明，所提出的 OFA-SVM 获得了较好的结果。 此外，结果证明了所提出的 OFA-SVM 能够找到 SVM 参数的最佳值。

CNN框架中，如何对其模型的超参数进行自动化获取一直是一个重要问题。提出一种基于改进的贝叶斯优化算法的CNN超参数优化方法。该方法使用改进的汤普森采样方法作为采集函数，利用改进的马尔可夫链蒙特卡罗算法加速训练高斯代理模型。该方法可以在超参数空间不同的CNN框架下进行超参数优化。利用CIFAR-10、MRBI和SVHN测试集对算法进行性能测试，实验结果表明，改进后的CNN超参数优化算法比同类超参数优化算法具有更好的性能。

基于DEFORM的数控切削加工工艺参数优化：本文主要是基于DEFORM的数控切削加工工艺参数优化过程。

超参数优化