道格拉斯-拉奇福德分裂 该存储库包含 Douglas-Rachford 算子分裂方法的实现，用于解决以下形式的凸优化问题 minimize f(x) + g(x) 建议的实现和测试反映了 [1] 中包含的分析。 特别是，为 f(x) 是二次的问题提供了该方法的快速版本。 算法实现的问题是： 框约束 QP L1-正则化最小二乘回归 参考 [1] P. Patrinos、L. Stella、A. Bemporad，“Douglas-Rachford Splitting：Complexity Estimates and Accelerated Variants”， [math.OC]，2014 年 9 月。第 53 届 IEEE 决策会议论文集和控制。

脚本 quasi_newton_dfp.m 使用 DFP 拟牛顿法优化通用多变量实值函数。 在迭代过程中，如果无法获得最佳步长，则将固定步长设为 1。对于该理论，可以参考任何关于优化技术的好书。 该脚本还可用于检查给定函数是凸函数还是凹函数，从而全局优化。 如果函数的维数为 2 并且是凸函数，则它作为经典的牛顿方法工作，给出一步收敛。

为了解决蝶形优化算法（BOA）容易出错的问题准确度和收敛速度较慢，研究的趋势是将两个或多个算法混合以获得一个优化问题领域的高级解决方案。 提出了一种新的混合算法，即HPSOBOA，并介绍了三种改善基本BOA的方法。 因此，初始化介绍了使用三次一维图的BOA模型，并给出了非线性参数控制策略也执行。 此外，将粒子群优化（PSO）算法与BOA为了改进基本的BOA进行全局优化。 有两个实验（包括进行了26项著名的基准测试功能，以验证提议的有效性算法。 实验的比较结果表明，杂种HPSOBOA收敛Swift与高维数值优化问题相比具有更好的稳定性。 PSO，BOA和其他各种著名的群体优化算法。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

Social Ski-Driver (SSD) 优化算法有关该算法的更多详细信息，请参见[请引用原始论文（下）]。 Alaa Tharwat、Thomas Gabel，“使用社交滑雪驱动程序算法对不平衡数据进行支持向量机的参数优化”-神经计算和应用，第 1-14 页，2019 Tharwat, A. & Gabel, T. Neural Comput & Applic (2019)。 https://doi.org/10.1007/s00521-019-04159-z

所有基于进化和群体智能的算法都是概率算法，需要共同的控制参数，如种群规模、世代数、精英规模等。除了共同的控制参数外，不同的算法需要自己的算法特定的控制参数。 比如GA使用变异概率、交叉概率、选择算子； PSO 使用惯性权重、社会和认知参数； ABC使用围观蜂数、雇佣蜂数、侦察蜂数和限制数； HS算法使用和声记忆考虑率、音调调整率和即兴次数。 同理，其他算法如 ES、EP、DE、SFL、ACO、FF、CSO、AIA、GSA、BBO、FPA、ALO、IWO 等，也需要对各自的算法特定参数进行调优。 算法特定参数的适当调整是影响上述算法性能的一个非常关键的因素。 算法特定参数的不当调整要么会增加计算量，要么会产生局部最优解。 考虑到这一事实，Rao 等人。 (2011) 介绍了基于教学的优化 (TLBO) 算法，该算法不需要任何特定于算法的参数。 TLBO 算法只需要通用的控制参数，如种群大小和

提出三维装载与CVRP 联合多目标优化问题(3LCVRPMO) 模型, 该模型在三维装载约束下的CVRP 问题(3LCVRP) 的基础上, 考虑了配送车辆数目及路径总距离两个目标函数. 在权衡装箱和路径优化两个优化过程的基础上, 构建了多阶段/两层混合算法架构(MSOTLH) 及其算法, 并对路径优化偏好的3LCVRPMO 问题进行求解. 基于3LCVRP 问题相关算例的数据实验结果表明, 所提出的3LCVRPMO 模型及MSOTLH 算法是有效的.

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

对于 3-D 最小化问题您应该针对多维 (ND) 问题调整代码。 代码使用匿名函数进行优化。 一些测试功能是为测试提供的。 参考： de Castro、LN 和 Von Zuben，FJ 使用克隆选择原则进行学习和优化。 IEEE 进化计算汇刊。 第 6(3) 条。 2002. DOI: 10.1109/TEVC.2002.1011539

MATLAB解决数学建模中的优化问题，通俗易懂，学习性强！