Energy Efficient Servers: Blueprints for Data Center Optimization

深度学习用于元表面优化 使用深度学习以张量流/角点和约5600 Lumerical模拟作为训练数据来优化单元素超表面参数。 在垂直入射光下进行的模拟。 定义超表面的特征是1.长度（L）2.宽度（W）3.高度（H）4.x方向周期性（Ux）5. y方向周期性（Uy）。 输出是周围和整个可见光的相位光谱，增量为5 nm（450 nm-800 nm）。 对于PowerPoint，有动画，所以我建议在幻灯片放映模式下观看。 此仓库中发布的所有内容均已获得许可 我将在介绍这项工作。 背景 超表面用于多种应用以各种方式操纵光。 设计这些纳米结构的当前最先进的方法是相当中世纪的，并且依赖于蛮力策略。 也就是说，给定所需的输出，超颖表面参数的哪些组合可以为我们提供最接近所寻找值的值？ 为了回答这个问题，研究人员依靠仿真软件并执行了数千次参数扫描，希望他们找到最佳的组合。 在时间和计算能力方面，仿真的成本

分享了沙猫优化算法Sand Cat swarm optimization源代码及原文，亲测有效，更多算法可进入空间查看

分享了金豺优化算法Golden jackal optimization algorithm源代码及原文，亲测有效，更多算法可进入

分享了War Strategy Optimization Algorithm战争策略算法源代码及其原文，亲测有效，更多算法可进入

调谐斯克莱恩 Tune-sklearn是Scikit-Learn的模型选择模块（GridSearchCV，RandomizedSearchCV）的替代品，它具有尖端的超参数调整技术。 产品特点 以下是tune-sklearn提供的功能： 与Scikit-Learn API的一致性：在标准Scikit-Learn脚本中更改少于5行即可使用API​​ []。 现代调整技术：tune-sklearn使您可以通过简单地切换几个参数来轻松利用贝叶斯优化，HyperBand，BOHB和其他优化技术。 框架支持：tune-sklearn主要用于调整Scikit-Learn模型，但它也支持并提供了许多其他带有Scikit-Learn包装器的框架的示例，例如Skorch（Pytorch）[ ]，KerasClassifier（Keras）[ ]，和XGBoostClassifier（XGBoost）[]。 向上扩展：Tune-sklearn利用 （一个用于分布式超参数调整的库）在不更改代码的情况下并行化多个核甚至多个机器上的交叉验证。 查看我们的和（针对master分支）。 安装 依存关

minio文件存储安装包

凸优化 非线性优化 convex optimization nonlinear programming

小参 该存储库包含由GraphOptimization（Beijing），Inc.开发的轻量级图形优化库的代码。 感谢gtsam的作者。 我们仅将核心功能和类保留在gtsam中。 编写库时，请遵循以下规则。 尽可能少使用模板。 没有使用boost库。 没有特质。 没有智能指针。 自给自足。 要求： gcc编译器版本：5.4.0 20160609（Ubuntu 5.4.0-6ubuntu1〜16.04.11） 高于2.6版的CMake 安装： 将项目克隆到本地。 git clone 运行命令： cd minisam_lib mkdir build cd build cmake .. sudo make install 平台： 仅支持Ubuntu。 对于其他平台，您可以与我们联系。 接触： 如果您有任何需求，请在github上提出问题，或发送电子邮

NOMAD是一种C ++代码，用于实现MADS算法（网格自适应直接搜索）以解决困难的黑箱优化问题。 当要优化的功能是昂贵的没有导数的计算机仿真时，会出现此类问题。