%程序名称：求解约束优化问题的改进粒子群优化算法 %程序功能：求解带各种约束条件的优化问题 %输入条件：各种初始条件，以及设定参数 %输出数值：最优解位置以及函数极小值

使用遗传算法工具箱求方程的最优解，很简单，使用命令行调用工具箱

基于免疫系统中克隆选择原理，提出了一种多目标克隆选择算法MCSA。该方法只对部分当前所得到的Pareto最优解进行进化操作，所求得的Pareto最优解保留在一个不断更新的外部记忆库中，并选用一种简单的多样性保存机制来保证其具有良好的分布特征。实验结果表明,该方法能够很快地收敛到Pareto最优前沿面，同时较好地保持解的多样性和分布的均匀性。对于公认的多目标benchmark问题,MCSA在解集分布的均匀性、多样性与解的精确性及算法收敛速度等方面均优于SPEA、NSGAII等算法。

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

针对传统狼群算法（WPA）存在易陷入局部最优解、计算资源耗费大、鲁棒性低等问题，提出一种基于差分进化的改进狼群算法（DWPA）。首先，通过引入探狼搜索因子、猛狼最大奔袭次数、自适应围攻步长、差分进化策略等对传统狼群算法进行了改进，在降低算法计算耗费的同时提高了算法的全局搜索能力；然后，运用马尔可夫链理论证明了DWPA的收敛性；最后，对13个测试函数进行寻优测试，并与WPA等四种算法进行对比分析。测试结果表明，DWPA具有良好的鲁棒性和全局搜索能力，在求解多峰、高维、不可分函数方面的寻优能力尤为突出。

有约束条件寻找最优解，利用粒子群算法

在这个程序中，目标函数是一元函数，然后变量进行了编码。子代选择使用的是轮盘赌法。多目标函数和多变量函数，以及轮盘赌法和覆盖法。变量编码与未编码。请看我其他上传的资源。都自己运行过。注释详细。

最优非迭代最小熵解卷积解Geoff McDonald (glmcdona@gmail.com) 的代码，2015 omeda(x,filterSize,overlapMode,plotMode) 一种非迭代最优 MED (OMED) 计算算法。 这种方法解决了与 MED 类似的反卷积问题，并且能够直接解决Carlos Cabreli 提出的最优滤波器解决方案。 这个可以用来旋转从振动信号检测机器故障以检测齿轮和轴承故障，以及 OMED 用于提取振动中的类脉冲特征。 这个实现使用了我在第二篇论文中提出的卷积调整参考，这对于防止这种方法达到微不足道的解决方案很重要去卷积卷积不连续性。 读者请注意，您可能想参考我的其他一些 MED 提交： 医学： 迭代非最优解通常更适合振动故障检测。 它通常比这个最优解更好，因为 MED 问题旨在去卷积结果只有一个脉冲。 因此，OMED 能够更好地提取仅对单

电子书 大学教授的数学建模的样例。值得珍藏。

这个PPT挺可以启发人的，很容易懂，你看看先先吧