MATLAB源码集锦-基于启发式算法的函数优化分析

风力驱动优化（WDO）算法是一种新型的基于大气运动的自然启发式全局优化方法。 风驱动优化 (WDO) 技术是一种基于群体的迭代启发式全局优化算法，用于多维和多模态问题，能够在搜索域上实现约束。 在其核心，一群无限小的气团按照牛顿第二运动定律在 N 维搜索空间中导航，牛顿第二运动定律也用于描述气团在地球大气中的运动。 与类似的基于粒子的算法相比，WDO 在速度更新方程中使用了附加项（例如重力和科里奥利力），提供稳健性和额外的自由度来微调优化。 除了 WDO 的理论和术语外， www.thewdo.com还提供了用于调整 WDO 参数的数值研究。 WDO 进一步应用于www.thewdo.com上列出的电磁优化问题。 这些示例表明，在某些情况下，WDO 可以胜过其他众所周知的技术，例如粒子群优化 (PSO)，并且 WDO 非常适合具有离散和连续值参数的问题。 有关风驱动优化算法的详细说明，

高级人工智能PPT

换能器 ========== 库提供可组合的算法转换，这些转换独立于其输入和输出源的上下文，并且仅指定转换的本质。 换句话说，转换器不与它们正在操作的数据耦合，因此可以对内置 JS 类型（如数组、字符串、数字、迭代器）进行操作，也可以对自定义类型（如数据结构、 Observables）进行操作， 或您可能决定使用它们的任何其他内容。 以下资源很好地介绍了该库实现的 Transducers 思想。 应用程序接口 换能器 地图(f) 将f应用于输入数据结构的每一项。 const { map } = require ( "transducers" ) const inc = map ( x => x + 1 ) inc ( [ 2 , 3 , 4 ] ) // => [3, 4, 5] 过滤器(p) 仅保留输入中p(item)返回逻辑true 。 const { filter

#KVO 模式的实现，灵感来自 Google Maps API v3 MVCObject 类 在构建基于 MVC 的 JavaScript 应用程序时发现 Google Maps API v3 MVCObject是一个非常有用的工具后，MVCObject-js 被编写为在独立脚本中复制它的功能 - 您不再需要下载整个 Google Maps API 来使用 MVCObject。 MVCObject 的命名有点令人困惑，它是“观察者”模式的一种实现。 碰巧它对于构建基于 MVC 的应用程序非常有用 - 它可以作为模型视图和控制器元素之间的粘合剂。 所有方法都与 google.maps.MVCObject 相同 - 请参阅此处的文档： 这是一个独立的类 - 您可以在任何 JavaScript 应用程序中使用它，它不必与 Google Maps 相关。 ＃＃这个怎么运作 该功能围绕这样一

功能： 1. 立刻判断是否有解 2. 对于所有有解的情况，只要对搜索的状态数的限 制适当放宽，总是能够找到解的 3. 支持随机初始状态和自给定初始状态 4. 支持游戏模式 呵呵 运行参数: 1. 不带参数 随机初始状态搜索 java rearrange.Rearrange 2. 参数rc： random calculate，功能同1 java rearrange.Rearrange rc 3. 参数fc：fixed calculate，搜索指定初始状态 java rearrange.Rearrange fc 3-4-2-7-0-1-5-6-8 4. 参数rg：random game， fg：fixed game 自己看看吧 java rearrange.Rearrange rg java rearrange.Rearrange fg

狼群优化算法，一种新的启发式算法，很适合初学者学习使用，内部有文档说明，可以参考文档进行学习使用，同时对于深层学习具有很好的作用

著名优化专家Beasley, J E写的拉格郎日松弛启发式求解整数规划的讲义，非常细致，举例详细；是入门的最好参考资料。内容有：拉格郎日松弛求下界的方法（次梯度；调整对偶乘子法）；对偶法求下界；分支定界树搜索求整数解。数学建模；线性规划；算法：智能算法。

8数码问题启发式搜索及过程式表示，MFC下可视化操作。

深度学习，无人驾驶， 智能汽车方面的论文大概20几篇 有启发参考意义。