蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。 　　蚁群算法是一种模拟进化算法,初步的研究表明该算法具有许多优良的性质.针对PID控制器参数优化设计问题,将蚁群算法设计的结果与遗传算法设计的结果进行了比较,数值仿真结果表明,蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值. 　　蚁群算法是一种求解组合最优化问题的新型通用启发式方法，该方法具有正反馈、分布式计算和富于建设性的贪婪启发式搜索的特点。通过建立适当的数学模型，基于故障过电流的配电网故障定位变为一种非线性全局寻优问题。由柳洪平创建。

Mechine Learning A Bayesian and optimization perspective

姿势优化SLAM3D 3D（x，y，z，qw，qx，qy，qz）姿势优化SLAM 下载资料 python data_downloader.py 运行SLAM python pose_optimization_slam_3d.py 结果 parking-garage.g2o数据 步骤1 第10步 标准输出 sphere2200_guess.g2o torus3d_guess.g2o 参考

变异量子因式分解 介绍 该存储库包含Eric R. Anschuetz，Jonathan P. Olson，AlánAspuru-Guzik，Yudong Cao的文章“可变量子因式”中提出的算法的实现。 它在上。 代码中的符号直接指的是本文中的符号。 我讲了这个项目，这可能是一个很好的介绍。 您可以找到它并且幻灯片在presentation.pdf文件的此存储库中。 由于QAOA是算法的重要组成部分，因此，如果您不熟悉它，您可能会发现很有帮助。 要求 该项目严重依赖pyquil和grove库。 不幸的是，在我开发该项目时，发行版中存在一些对该项目至关重要的错误。 因此，我从源代码安装了它们： pyquil，提交sha： f22a851d5803e0a6aa73b236c25d28a5fcdb0116 格罗夫，commit-sha： dc6bf6ec63e8c435fe52b1e

matlab lm算法代码多视图三角剖分和非线性优化 描述 在此代码中，实现了使用多视图三角剖分来重建合成多维数据集（由56个点组成）的方法。 多视图三角剖分是2视图三角剖分的直接扩展，您已经在中进行了编码。 与2视图三角剖分类似，使用所有8个视图的投影矩阵并设置Ax = b形式的最小二乘系统，然后使用SVD对其求解。 例如3D点X3必须满足以下约束P1 X3 = x13，P2 X3 = x23，...，P8 * X3 = x83，其中x13表示图像1中X3的2D投影，x23表示图中X3的2D投影图像2，...，x83表示图像8中X3的2D投影。 合成多维数据集的图像以8×2×56（numOfViews×2×56）张量的形式提供给您，命名为cube_imgs.mat。 相应的投影矩阵以名为projMatrices.mat的8×1（numOf V×1）的MATLAB单元数组提供； 两者都存储在MatFilesQues1文件夹中。 非线性最小二乘的Levenberg-Marquardt（LM）算法用于解决非线性最小二乘问题。 结果显示在Report.pdf中

matlab程序（yalmip+cplex）复现自《含电热联合系统的微电网运行优化——李正茂》 摘要：在当前能源互联网迅速发展及电热联系日渐紧密的环境下，提出基于电热联合调度的区域并网型微电网运行优化模型。综合网内储能特性、分时电价、电热负荷与分布式电 源的时序特征，以包含风机、光伏电池、热电联产系统、电锅炉、燃料电池和储能系统的并网型微电网为例，采用Cplex优化软件求得调度周期内各微电源最佳出力及总运行成本，并与两种常见电热调度方式进行比较。仿真算例表明：联合调度模型能实现电热统一协调调度并降低微电网运行成本。该模型可为电热之间能源互联及规划运营提供参考。 关键词：能源互联网；电热联合；微电网；经济调度；储能系统

Global Optimization Using Interval Analysis - E. Hansen (CRC) WW

Learning A Bayesian and Optimization Perspective 英文原版书籍，高清带目录，非扫描版

该工具箱提供了粒子群优化 (PSO) 方法 “Main”脚本说明了 PSO 如何使用基准数据集解决特征选择问题的示例。 ****************************************************** ****************************************************** **********************************

使用数值方法求解机器人运动计划，以解决最佳控制问题。 规划可以采用运动学约束（例如位置、速度、加速度、加加速度边界）、动力学约束（例如机器人刚体动力学包括重力、离心力和科里奥利力、惯性力、关节扭矩限制，甚至扭矩变化率限制），以及碰撞避免考虑在内。 解决时间在几秒钟内。 详细信息参见出版物：“机器人运动规划的高效轨迹优化”，Yu Zhao、Hsien-Chung Lin、Masayoshi Tomizuka，ICARCV 2018。 有关可用演示的列表，请参阅https://github.com/yzhao334/Efficient-Trajectory-Optimization-for-Robot-Motion-Planning--Examples 。 所需软件包：chebfun、CasADi。 包中包含的其他依赖项（STLRead 和 STLWrite）