动态贝叶斯网络（DBN）广泛应用于各种生物网络的建模，包括基因调控网络。 由于学习静态贝叶斯网络的几个 NP-hardness 结果，大多数学习 DBN 的方法都是启发式的，使用局部搜索（如贪心爬山）或元优化框架（如遗传算法或模拟退火）。 我们提出了 GlobalMIT，这是一个工具箱，用于使用最近引入的基于信息理论的评分指标互信息测试 (MIT) 来学习全局最优 DBN 结构。 在 MIT 下，可以在多项式时间内高效地实现全局最优 DBN 的学习。 该工具箱是在 Matlab 中实现的，还有搜索引擎的 C++ 独立实现以提高性能。 该项目由澳大利亚维多利亚州莫纳什大学 Gippsland 信息技术学院的生物信息学和系统生物学小组进行。 该项目由 Vinh Nguyen 管理。 最新版本的工具箱可在以下网址找到： http : //code.google.com/p/globalm

详见：https://blog.csdn.net/Xialiuto/article/details/122659423

Given symmetric matrices B,D ∈ R n×n and a symmetric positive definite matrix W ∈ R n×n , maximizingthe sum of the Rayleighquotientx ? Dx andthe gener- alized Rayleigh quotient x ? Bx x ? Wx on the unit sphere not only is of mathematical interest in its own right, but also finds applications in practice. In this paper, we first present a real world application arising from the sparse Fisher discriminant analysis. To tackle this problem, our first effort is to characterize the local and global maxima by investi- gating the optimality conditions. Our results reveal that finding the global solution is closely related with a special extreme nonlinear eigenvalue problem, and in the spe- cial case D = μW (μ > 0), the set of the global solutions is essentially an eigenspace corresponding to the largest eigenvalue of a specially-defined matrix. The characteri- zation of the global solution not only sheds some lights on the maximization problem, but motives a starting point strategy to obtain the global maximizer for any monoton- ically convergent iteration. Our second part then realizes the Riemannian trust-region method of Absil, Baker and Gallivan (Found. Comput. Math. 7:303–330, 2007) into a practical algorithm to solve this problem, which enjoys the nice convergence prop- erties: global convergence and local superlinear convergence. Preliminary numerical tests are carried out and empirical evaluation of its performance is reported.

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点，提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度，并且非线性地自适应调节遗传算法的交叉概率与变异概率；为了加快寻优效率，在选择算子方面将引进的选择算子与最优保存策略相结合；为了使遗传操作过程中种群数量恒定，又提出了保留亲本的策略。通过仿真实验发现，与经典遗传算法GA和IAGA相比，改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。

针对BP神经网络复原图像的效果很大程度受初始权值和阈值的影响，提出一种基于思维进化算法（Mind Evolutionary Algorithm， MEA）优化的BP神经网络方法。思维进化算法有极强的全局搜索能力，能够弥补BP神经网络陷入局部最优和对初始权值和阈值敏感的问题，因此在训练BP神经网络之前，利用思维进化算法获取该网络的初始权值和阈值。实验证明，与传统的维纳滤波、BP、遗传算法优化的BP（GA-BP）方法相比，MEA-BP方法复原的图像在主观和客观评测标准下都获得了更好的结果。

解决2辆车以上，从出发点到目标点路径规划。处理了碰撞情形下的避让。

运用pso寻求全局最优解MATLAB

提出了一种优化任何给定数学函数的新颖方法，称为“强化学习算法”（MORELA）。 尽管强化学习（RL）最初是为解决马尔可夫决策问题而开发的，但可以与某些改进一起使用以优化数学函数。 在MORELA的核心处，围绕在可行解决方案空间中找到的最佳解决方案生成一个子环境，并将其与原始环境进行比较。 因此，MORELA使得发现数学函数的全局最优成为可能，因为它是在前一个学习情节中使用子环境寻求的最佳解决方案的基础上寻求的。 已使用从文献中描述的其他优化方法获得的结果测试了MORELA的性能。 结果表明，就采用的鲁棒性衡量标准而言，MORELA可以提高RL的性能，并且比许多与之相比的优化方法表现更好。

Lingo11完美绿色版 (无变量限制 可求全局最优解),部分破解版只是表面上的破解，对变量个数仍有限制，此版本经本人亲测，变量没有限制，且可求全局最优解

全局最优方法——随机行走法的matlab实现，移植性强。