基于粒子群算法的粗轧宽展模型参数优化.pdf

HyperPower（Keras / TensorFlow +薄荷） 通过贝叶斯优化对硬件进行感知的超参数搜索 + 神经网络。 描述 神经网络（NN）的超参数优化已成为一个具有挑战性的过程。 如果我们发现最佳的（根据分类错误）NN配置也满足硬件约束，例如最大推理运行时间，最大GPU能耗或功耗，则此设计问题将变得更加艰巨。 HyperPower利用贝叶斯优化的有效性来采用受硬件限制的超参数优化。 该代码库是基础： HyperPower: Power- and Memory-Constrained Hyper-Parameter Optimization for Neural Networks Dimitrios Stamoulis, Ermao Cai, Da-Cheng Juan, Diana Marculescu Design, Automation and Test in Eu

基于蚁群算法的PID控制参数优化Matlab源码,基于matlab的pid控制算法仿真,matlab源码.zip

基于遗传算法和神经网络的3D增材印花工艺参数优化.pdf

针对常规整定方法下的 PID 控制器参数整定一般离不开人工经验调整,且难以得到最佳参数的缺点,提出一种基于蚁群算法的PID参数整定方法,利用 Ziegler-Nichol 法确定参数的搜索范围,在二次型性能指标下对 PID 控制器的参数进行优化,通过与 Ziegler-Nichol法、单纯形法的控制效果进行对比,可以得出该整定方法得到的控制系统具有更强的抗干扰能力和鲁棒性.文中还研究了二次型性能指标可调参数 对优化结果的影响,MATLAB仿真结果表明,在二次型性能指标下控制效果更好.

高斯密度函数估计是一种参数化模型。有单高斯模型(Single Gaussian Model, SGM)和高斯混合模型(Gaussian mixture model,GMM)两类。本文详细介绍了这两种模型的原理,并介绍了实现方法,最后附了源码,以供参考.源码经过详细测试，没有任何错误

svm核函数及参数优化，实现多类分类并进行参数优化

基于遗传算法的PID参数优化

随着社会经济的蓬勃发展，地铁、隧道、桥梁等大型建筑的需求也越来越大.通过对结构变形数据的分析与预测，可以判断结构未来的发展趋势，对安全隐患提前预警和采取应急措施，预防灾害的发生.由于变形监测数据通常具有不稳定性和非线性的特点，使得监测数据预测成为结构监测研究中的一个难题.针对结构变形预测模型存在的问题，本文提出了一种基于正交参数优化的长短时记忆网络（LSTM）结构变形预测模型.该模型通过LSTM网络结构获得时间序列的长期记忆，充分挖掘变形数据的内部时间特征；并通过正交试验对LSTM模型的参数进行优化；最后通过实测数据对模型进行验证，实验结果表明，模型预测值与实际监测值吻合较好.通过与WNN、DBN-SVR和GRU模型相比，平均RMSE、MAE和MAPE分别降低了56.01%、52.94%和52.78%，本文提出的基于正交参数优化的LSTM结构变形预测模型是一种有效的结构沉降方法，为结构安全施工以及运营的安全提供可靠信息，对确保结构安全具有重要意义.

人工势场法是一种简单有效的移动机器人路径规划算法．针对传统人工势场法在路径规划中的一类目标点不可达问题，提出了一种在局部最小点改变斥力角度和设定虚拟最小局部区域的解决方案，同时采用遗传算法对改进算法中斥力改变角度以及虚拟最小局部区域的半径两个参数进行优化．仿真实验说明本文所提算法能在起点和终点之间规划出一条简捷、光滑和安全的路径．