人工智能-差分进化神经网络算法研究.pdf

人工智能-差分进化算法优化BP神经网络的能源需求预测研究.pdf

用法 主要代码在differentialEvolution.m文件中可用。有一些选项可以在de.m文件中指定各种参数。 要运行程序，请使用： > de 使用的默认目标函数是objective_func。自定义目标函数可以在de.m下面指定options.fitness_func。

使用Rust的自适应差分进化进行简单而强大的全局优化 例子 差分进化是一种全局优化算法，它试图迭代地改进与用户定义的成本函数相关的候选解决方案。 此示例查找简单 5 维函数的最小值。 更多详情、使用方法，请下载后阅读README.md文件

IM2ODE 的文档由三个部分组成，包括README、用户指南和开发人员指南 里面有简介、特点、编译说明和邮件列表README。 有关于如何设置参数，如何在优化过程中调用vasp或lammps，如何编写不同环境下提交作业的脚本，以及如何运行过去的处理脚本以输出预测的最佳结构的说明USERS' GUIDE。 更多详情、使用方法，请下载后阅读README.md文件

这个包实现了最简单的差分进化版本，但增加了指定自定义“预测器”的能力，这允许将有关问题的知识合并到优化中。 例如，可以针对一组优化问题的示例训练标准机器学习方法，并且可以使用它们的预测来指导优化。 差异进化的关键思想是在不添加突变和交叉的情况下，通过以下方式将候选群体进化到最佳状态： 随机选择 3 个候选人a, b,c 比较成本a和a' = a + lambda * (c-b) a用a'if替换a'成本更低 预测器a不仅可以与一个或多个假设进行比较a'，还可以与一个或多个假设进行比较a'' = predict(a)。一次为整个人口计算预测，因此预测变量的签名实际上是predictor(currentgeneration, currentcosts)。 更多详情、使用方法，请下载后阅读README.md文件

差分进化全局优化算法的 Clojure 实现。 要在您的 leiningen 项目中使用，请添加： [deoptim "0.1.0"] 到你的 project.clj 更多详情、使用方法，请下载后阅读README.md文件

DifferentialEvolutionMCMC.jl 是一个用 Julia 编写的差分进化 MCMC 采样器，使用 AbstractMCMC 接口。DifferentialEvolutionMCMC.jl 适用于任何模型，前提是它返回精确或近似的对数似然。下面提供了一个带注释的示例。其他示例可以在示例子文件夹中找到。 更多详情、使用方法，请下载后阅读README.md文件

基于差分进化的快速参数采样器和优化器。 汇编 Diver 构建系统并没有真正复杂到需要 autotools 或 cmake。只需手动更改makefile以适应您的系统，或从另一个 makefile 或命令行调用它。 要将 Diver 构建为静态库并构建所有示例，请执行

差分进化算法的Scala实现_Scala_代码_下载