这是关于网络模型与多目标优化遗传算法的电子书，高清，最新版本，经典著作，英文版

异构网络中的联合优化 该存储库包含本文的代码和实验： 联合学习是一种分布式学习范例，它具有两个与传统的分布式优化不同的关键挑战：（1）网络中每个设备的系统特性方面的显着可变性（系统异质性），以及（2）不完全相同的分布式数据跨网络（统计异质性）。 在这项工作中，我们引入一个框架FedProx，从理论上和经验上解决联邦网络中的异构性。 该存储库包含一组针对联合数据集的详细的经验评估。 我们证明FedProx比FedAvg具有更强大的收敛性。 特别是，在高度异构的环境中，FedProx展示了相对于FedAvg而言更加稳定和准确的收敛行为-将绝对测试准确度平均提高了22％。 一般准则 请注意，如果您想使用FedProx作为基准并运行我们的代码： 如果使用不同的数据集，则至少需要根据您的指标调整学习率和mu参数。 您可能希望从{0.001，0.01，0.1，0.5，1}调整mu。 没有适用于所有

风险库 量化战略资产分配，每个人都很容易。 描述 Riskfolio-Lib是一个库，用于使用秘鲁制造的Python进行定量战略资产分配或投资组合优化 :Peru: 。它的目的是帮助学生，学者和从业人员轻松地基于数学上复杂的模型建立投资组合。它基于构建，并与数据结构紧密集成。 Riskfolio-Lib提供的一些关键功能： 具有4个目标函数的平均风险投资组合优化： 最低风险。 最大回报。 最大效用函数。 最大风险调整后回报率。 具有13个凸风险度量的平均风险投资组合优化： 标准偏差。 半标准偏差。 平均绝对偏差（MAD）。 较低的第一部分矩（Ω比） 第二较低的局部矩（Sortino比率） 条件风险价值（CVaR）。 熵值风险（EVaR）。 最坏情况的实现（Minimax模型） 最大跌幅（卡尔马率） 平均亏损 有条件的风险缩水（CDaR）。 熵降风险（EDaR）。 溃疡指数。 带有10个凸风险度量

Suvrit Sra, Sebastian Nowozin, and Stephen J. Wright, "Optimization for Machine Learning", The MIT Press Cambridge, Massachusetts London, England, 2012

PYthon中最先进的MEta启发式算法的集合（渐进式） “知识就是力量，分享是生活进步的前提。对某人来说，这似乎是一种负担，但这是实现永生的唯一途径。” --- 快速通知 嘿，在收到有关如何使用此库解决多个（许多）目标优化问题的许多问题之后？ 不好意思告诉您，该库仅用于解决单（单）目标优化问题。 由于处理多个目标函数与单个目标函数完全不同（更难）。 （查找Pareto前沿（参考前沿-真正的Pareto前沿）是NP难题。 因此，我目前正在制作一个新的库“ momapy”-（PYthon中最新的多目标/多目标元启发式算法的集合），用于解决多目标/多目标优化。 “ MOMAPY”将在这里托管： 介绍 MEALPY是适用于大多数最先进的种群元启发式算法的python模块，并已获得MIT许可。 该框架的目标是： 与所有人免费共享元启发式领域的知识 帮助所有领域的其他研究人员尽快访问优化

分享了磷虾群算法的源代码及原文，亲测有效

CVXPY CVXPY文档位于 。 加入，并使用和获得最佳支持。 CVXPY是用于凸优化问题的Python嵌入式建模语言。 它使您可以按照数学的自然方式来表达问题，而不是使用求解器要求的限制性标准形式。 例如，以下代码解决了最小二乘问题，其中变量受上下限约束： import cvxpy as cp import numpy # Problem data. m = 30 n = 20 numpy . random . seed ( 1 ) A = numpy . random . randn ( m , n ) b = numpy . random . randn ( m ) # Con

Convex optimization 最新版 extra exercises February 16, 2019

遗传线性回归：通过遗传算法进行线性回归拟合的近似

Unity Game Optimization 一书的PDF版及笔记，由于是手动制作，部分排版不是那么规整