当前，机器学习技术已广泛应用于工业、农业、交通、环境等各个领域。特别在农 业生产领域，由于农业信息化和精准农业的推广和实施，农业生产数据不断迅速增长并 大量积累，这大大增加了对信息技术的需求，尤其对机器学习技术的需求更加显著。然 而，由于农业生产问题的复杂性，对决策问题直接采用传统的机器学习方法往往达不到 理想的效果，因此如何构造最优的基于机器学习的农业智能决策方法是当前亟待解决的 问题。 本文重点研究利用群智能优化技术对现有若干机器学习技术进行改进，构建基于机 器学习技术的农业智能决策新方法，进而将这些新方法用于解决实际农业生产问题。我 们首先对随机森林、多目标聚类、支持向量机和核极限学习机等方法在计算精度、适用性 和稳定性方面存在的问题进行了探讨，提出了三维混沌果蝇优化技术、改进粒子群优化 技术、改进灰狼优化技术和多种群灰狼优化技术，然后分别对上述机器学习方法进行改 进，进而提出三维混沌果蝇优化的随机森林预测模型、改进粒子群的动态多目标优化诊 断模型、改进灰狼优化的支持向量机诊断模型、多种群灰狼智能演化核极限学习机预测 模型，分别用于水稻的虫害预测、病害诊断、缺素诊断和产量预测..

受美国帝王蝶迁徙行为的影响，Wang等提出帝王蝶优化算法(Monarch Butterfly Optimization, MBO)。MBO有2个算子：具有局部搜索能力的迁移算子和具有全局搜索能力的调整算子。目前针对MBO算法的应用领域相对较少，读者可根据自己意愿对其进行改进或将其应用在不同的研究方向。

应用粒子群优化(PSO)算法对电力系统的机组优化组合问题进行研究,介绍了算法原理,分析了算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并以常用的测试函数进行验证,建立了相应的数学模型,并以IEEE3机6节点电力系统为实例进行研究。分析结果表明,PSO算法较之常用的遗传算法和混沌优化等算法,在算法结构、计算时间、搜索区间控制以及收敛速度等方面具有较好的特性,验证了该方法的有效性。

Smell Agent Optimization (SAO)（2021年提出）（智能优化算法matlab代码）（论文）.zip 本文介绍了对一些 CEC数值优化基准函数的称为气味代理优化 (SAO)的新元启发式算法的广泛研究 和混合可再生能源系统（HRES）工程问题。SAO 实现了气味代理和蒸发气味分子的对象之间的关系。这些关系被建模为三种独立的模式，称为嗅探模式、尾随模式和随机模式。当气味分子从气味源向代理扩散时，嗅探模式模拟代理的气味感知能力。尾随模式模拟代理跟踪气味分子的一部分直到其来源被识别的能力。然而，随机模式是代理用来避免陷入局部最小值的一种策略。对 37 个常用的 CEC 基准函数和 HRES 工程问题进行了测试，并将结果与​​其他 6 种元启发式方法进行了比较。实验结果表明，SAO 可以在 76% 的基准函数中找到全局最优值。同样，统计结果表明，SAO 也获得了最具成本效益的HRES 设计与基准算法的比较。 针对 CEC 基准功能和混合再生能源系统（HRES，提出了一种新的启发式算法——嗅觉代理优化（Smell Agent Optimization，SAO）工程优化问

COOT_optimization_algorithm（2022年提出、COOT智能优化算法+论文）（matlab）.zip

GTO（Artificial gorilla troops optimizer）（matlab智能优化算法）(2021).zip

为了快速理解免疫遗传算法，以图片拟合为背景，使用python实现免疫遗传算法的手动实现，详细解析请查看我的博客：https://editor.csdn.net/md?not_checkout=1&articleId=124096240

测试函数优化算法，CEC2017测试源代码，CEC2019测试函数源代码，包含pdf

链接：https://blog.csdn.net/weixin_44315848/article/details/123619555

1、MOEA/D-FD是一种求解动态多目标优化问题的新算法，在动态多目标优化问题中，多目标函数和/或约束可能会随时间变化，这就需要多目标优化算法跟踪运动的Pareto最优解和/或Pareto最优前沿。当检测到环境变化时，设计一阶差分模型来预测一定数量Pareto最优解的新位置。另外，旧的pareto最优解的一部分被保留到新种群中。将预测模型融合到基于分解的多目标进化算法中，求解动态多目标优化问题。通过这种方式，可以更快地跟踪更改后的POS或POF。该算法在多个具有不同动态特性和难度的典型基准问题上进行了测试。实验结果表明，该算法在求解动态多目标优化问题时具有较好的性能。 2、文件夹中包括了该算法的论和相关Matlab代码的实现。