模拟双重退火全局优化算法实现和广泛的基准测试。 在多核机器上运行基准测试 在集群上运行基准测试（Moab/TORQUE 示例） 更多详情、使用方法，请下载后阅读README.md文件

sMyHdOK，固态硬盘或机械硬盘的基准测试工具，用于检测SSD及HDD的读取和写入速度，混合持续读写、持续传输率、随机4K随机测试等指标。 可通过菜单在IsMyHdOK查看硬盘型号跑分和详情测试结果支持w11这个是重点。 IsMyHdOK硬盘测试工具主要功能 ◆ 基准适用SSD硬盘和HD硬盘驱动器 ◆ 任意测试时间： ◆ 快速测试（-15秒） ◆ 简时测试（-30秒） ◆ 长时测试（-60秒） ◆ 超长测试（-4分钟） 其他规格和可能性： ◆ Windows的级别测试工具 ◆ 工具极小，单文件200K不到 ◆ 测试过程CPU和资源使用率低 ◆ 查看测试的硬盘驱动器评分表

为提高多元宇宙优化算法(MVO)的全局探索和局部开采性能,提出一种耦合横纵向个体更新策略的改进MVO算法(IMVO).横向更新策略是建立在宇宙种群层级的一种水平迁移进化机制,通过引入加权学习因子保证子代个体同时向多个父代宇宙继承位置信息,以改善种群的个体多样性和算法全局探索性能,适定性修正虫洞存在概率表达以保证种群个体间的充分信息交互;纵向更新策略是基于宇宙个体层级的一种纵向自我学习进化机制,根据最优宇宙历史信息,通过模拟认知的历史遗忘记忆特性实现记忆均值邻域的再开采,以增强算法局部开采性能.最后通过数值实验验证不同加权学习因子函数对算法性能的差异性影响,改进算法的优化性能和算法稳健性等.

DNS(Domain Name Server) Benchmark 帮你找出最快的 DNS 服务器 打开 DNS Benchmark 点击「Nameservers」 ，点击「Run Benchmark」即可。 还可以查看服务商信息以及当前状态、反应时间 点击左上角的 「Add/Remove」 按钮，可以加入更多的 DNS 服务器 搜的几点说明： 1. 绿色条表示 DNS 服务器的响应时间，紫色条表示当查询的信息不存在于该 DNS 上时向上级 DNS 查询的响应时间，而红色条则表示域名的查询时间。 2.黑框显示的是你已经用上的 DNS 服务器 3.在 DNS 服务器 IP 后面会有红黄绿三种颜色的小圆点，绿色是能够正常访问，红色则是不行，黄色繁忙。 4.测试分析结果，默认是把反应速度最快的排在最上面 5.DNS Benchmark 会自动载入自带的几十个 DNS 服务器，可以点击左上角的 「Add/Remove」 按钮可以加入更多的 DNS 服务器. 6.后面的几个 「Owner」 、「Status」 等等标签则是它们的服务商以及当前状态，反应时间等等信息。 7. DNS Ben

Bench_Sim.m 脚本创建一个包含 100 个 From Workspace、Gain 和 To 工作区模块的新模型。 从 BenchTestInput.xls 读取一组标准输入，并将这些输入泵入 Simulink 模型。 从模拟中获得的输出被累积并使用 xlswrite 写入一个 xls 文件。 进行几次此练习以平均结果。 （在脚本中硬编码为 10 - jj=1:10）。 完成此练习是为了模拟批处理典型的 VnV 活动。 测试用例输入是用 Excel 编写的。 执行 Simulink 模型并将输出写回 Excel 文件。 脚本给出了整个练习的执行时间。 此时序用于比较不同 Matlab/Simulink 版本的性能。 2种不同Matlab版本的比较如下图所示： MATLAB 版本：8.1.0.604 (R2013a)[64 位版本] 经过的时间是 56.774682 秒。 MA

适用于Python的HPC基准 这是一组基准测试，用于测试使用Python前端的各种计算后端的顺序CPU和GPU性能。 具体来说，我们想测试哪种高性能后端最适合地球物理（基于有限差分）的模拟。 内容 常问问题 为什么？ 科学的Python生态系统正在蓬勃发展，但是Python中的高性能计算还不是真正的事情。 我们尝试来更改此，但是我们应该使用哪个后端进行计算？ Python前端到高性能后端的开发需要大量的时间和资源，但是这些通常是为深度学习量身定制的。 我们想了解一下，通过（滥用）这些库进行地球物理建模，我们是否可以从这些进展中获利。 为什么基准看起来如此怪异？ 这些或多或少是逐字记录副本（即物理模型的实际部分）。 大多数地球系统和气候模型组件都基于有限差分方案来计算导数。 这可以通过数组的索引移位（例如0.5 * (arr[1:] + arr[:-1]) ， arr在每个点的一

复合泊松随机变量的形式为 S=X1+...+XN，其中 Xj 是 iid 随机变量，N 是泊松分布的随机变量。 复合泊松变量在物理学和金融学中有很多应用。 该文件对多个代码进行了基准测试，以从复合泊松分布中生成 100 万个随机样本，其中项是对数正态分布，mu=0 和 sigma=1，泊松频率为 10。 最快和最慢版本（在 R2009b 中）的运行时间相差 200 多倍。 有趣的是，最快的代码比使用 ARRAYFUN 的简洁的 1-liner 快 10 倍。 需要 POISSRND（统计工具箱）和 RANDRAW（FEX #7309）。

Bugbase：可靠的实验 什么是Bugbase？ Bugbase是用于评估错误检测和根本原因诊断工具的框架。 它是我们在工作中作为英特尔与EPFL合作的一部分而开发的。 Bugbase如何帮助我？ 如果您可以评估错误检测/分类/根本原因诊断工具，则可以使用Bugbase使用简单的插件体系结构来进行此操作。 使用错误库 这是有关如何使用Bugbase的快速入门指南。 如果您需要更多信息，请参阅。 获取资源 使用git从安装Bugbase $ git clone git@github.com:dslab-epfl/bugbase 配置错误库 Bugbase具有configure.py脚本，该脚本将自动安装各种插件并配置Bugbase以您想要的方式工作 $ ./configure.py 您也可以编辑conf / custom.conf。 详细信息在完整的文档中进行了说明（请参阅） 准

遗传算法多目标优化matlab代码BMOBench 欢迎到B缺乏-输入框中m ULTI-目的Øptimization乙enchmarking（BMOB）平台。 该平台的目的是将文献中的黑匣子多目标问题整合到一个单一的框架中。 这样，多目标优化社区中的研究人员就可以更轻松地全面比较，评估和分析以前的算法和新算法。 本质上，为可重复研究的工具增加了障碍。 使用BMOBench ，您可以在多目标优化社区中针对100个已建立的问题测试新开发的算法，并自动在基于乳胶的纸张模板中获得实验结果。 结果以数据质量的形式报告了四个质量指标：超量，附加ε指示符，反向世代距离和世代距离。 要求： 对于实验： MATLAB ， C 对于后处理：带有Numpy，matplotlib和paletable包的C和Python 32-bit是一个好的开始。 设置 目前，该平台正在支持MATLAB和C 将来的版本也可能支持Python 。 要开始使用BMOBench平台，请从github下载其代码： 下载为/ 解压缩下载的文件以找到以下文件夹： problems ：与问题相关的文件和描述 postprocess ：用于

电力系统经济调度问题是电力系统中的一个重要的研究课题,针对该问题,提出一种改进粒子群优化(ODPSO)算法.改进算法在搜索前期,采用广义的反向学习策略,使算法能够快速地靠近较优的搜索区域,从而提高收敛速度;在搜索后期,借鉴差分进化算法的进化机制设计改进的变异和交叉策略,对当前种群的最优粒子进行更新,从而提高种群的多样性,进而协助算法获得全局最优解.为了验证改进粒子群优化算法的有效性,对CEC2006提出的22个基准约束测试函数进行仿真,结果表明改进算法相比其他算法在寻优精度和稳定性上更具优势.最后,将改进算法应用于考虑机组爬坡速率约束、机组禁行区域约束以及电力平衡约束的两个电力系统经济调度问题,取得了令人满意的结果.