Convex Analysis and Optimization 作者: Dimitri Bertsekas 扫描版

OSQP的Python界面 Python包装器：运算符拆分QP解算器。 OSQP（算子拆分二次程序）求解器是一个数值优化程序包，用于解决以下形式的问题： minimize 0.5 x' P x + q' x subject to l <= A x <= u 其中x in R^n中的x in R^n是优化变量。 目标函数由P in S^n_+的正半定矩阵P in S^n_+和q in R^n向量q in R^n 。 线性约束由A in R^{mxn}的矩阵A in R^{mxn}和l in R^m U {-inf}^m向量l in R^m U {-inf}^m u in R^m U {+inf}^m 。 文献资料 该接口。 包装 该存储库执行测试并构建pypi轮子。 Conda软件包位于 forge上。

matlab代码粒子群算法软计算优化工具箱（SCOT） 它能做什么： 1.一个工具箱，在一个保护伞下结合了六个优化算法。 2.每种算法都有单独的GUI。 3.结果的图形表示。 如何运行： 脚步： 打开MATLAB 打开包含所有必需文件的代码文件夹。 打开mastergui.m文件 点击运行 单击任何按钮以启动特定的算法GUI。 以下是运行不同算法的步骤：1.PSO（粒子群优化）： 从功能下拉列表中选择其他功能。 选择优化类型（最小化/最大化）。 单击“绘制！”（将绘制2D和3D图形） 绘制后：您可以更改不同的参数（遗传极限，种群大小，精度）速度因子也可以更改单击运行（模拟将开始） 对于所有其他算法（GWO / SCA / MVO / WAO / ALO）： 您可以更改以下参数（如果需要）：粒子数迭代数下界和上界变量数目标函数（在coste函数文件中写入） 通过选择搜索历史记录：过去的结果将被存储并同时显示。 单击“开始优化”（图形仿真开始），将显示结果

最优化学习的教程，浅显易懂，示例讲解。是一本值得推荐的优化学习的书籍。

Convex Optimization，Stephen Boyd / Lieven Vandenberghe / 王书宁 / 许鋆 / 黄晓霖 / 清华大学出版社 / 2013-1 / 。 《信息技术和电气工程学科国际知名教材中译本系列:凸优化》内容非常丰富。

文献资料 建立状态 覆盖范围 SDDP.jl是一个使用随机双重动态规划解决大型多阶段凸随机规划问题的软件包。 您可以在找到文档。 如果需要帮助，请提交Github问题： :

用PSO优化LSSVM的参数，得到最优参数，使得分类更加准确。(Using the PSO the LSSVM the parameter, the optimal parameters, more accurate classification. )

At recent several IEEE CEC congresses, the new variants of LSHADE algorithm occupy the tops of the lists, such as iL-SHADE, LSHADE-SPACMA, LSHADE-EpSin and jSO.

本文件是Stephen Boyd的著作《convex optimization》的课后答案，除了编程题外其他题目的答案都有，各位对凸优化和机器学习感兴趣的小伙伴可以下载来作为学习资料。

关于模型预测控制简化数据，可以简化模型预测控制算法的计算量。