第二章，基础知识 第四章，分治法 第五章，贪心算法 第六章，动态规划 第八章，回溯法 第九章，分枝-限界法

PID控制器是过程控制中应用最为广泛的控制器，而传统PID控制器参数整定难以达到最优状态，同时，存在控制结果超调量过大、调节时间偏长等缺点，因此，将变异粒子群优化算法（Mutation Particle Swarm Optimization，MPSO）运用于BP-PID的参数整定过程中，设计了一种高效、稳定的自适应控制器。考虑MPSO的变异机制，以种群适应度方差与种群最优适应度值为标准，进行种群变异操作，可以克服早熟，提高收敛精度和PSO的全局搜索能力，使MPSO优化的BP神经网络整定的PID控制器能以更快的速度、更高的精度完成过程控制操作。在实验中，通过比较BP-PID、PSO-BP-PID以及MPSO-BP-PID三控制器仿真结果，证明了所提MPSO算法的有效性和所设计MPSO-BP-PID控制器的优越性。

《算法设计与分析基础(第3版 影印版)》在讲述算法设计技术时采用了新的分类方法，在讨论分析方法时条分缕析，形成了连贯有序、耳目一新的风格。为便于学生掌握，本书涵盖算法入门课程的全部内容，更注重对概念(而非形式)的理解。书中通过一些流行的谜题来激发学生的兴趣，帮助他们加强和提高解决算法问题的能力。每章小结、习题提示和详细解答，形成了非常鲜明的教学特色。, 《算法设计与分析基础(第3版 影印版)》特色：, 独辟蹊径，采用一种更全面的算法设计技术分类方法, 涵盖递归与非递归算法的数学分析，也涉及经验分析和算法可视化, 探讨算法的局限性及解决方法, 将算法视为解决问题的工具，通过谜题和游戏来开拓算法思维, 为学生提供600多道习题(含提示)，为教师提供有详细解答的教师手册

旅行商问题，即TSP问题（Travelling Salesman Problem）是数学领域中著名问题之一。本文档内含有多个TSP的实现算法及相应代码，主要有模拟退火算法和遗传算法。实现语言有c ,c++和matlab

资源介绍：。相对于之前的版本更新：。1、所有方法都增加了 路径 参数，方便操作路径指定的值。2、路径参数增加了\ 转义符，比如属性名本身包含. 就可以用\. 比如：192\.168\.0\.1。3、移除了 属性是否存在 和 成员是否存在 方法，因为直接用 zyJSon.是否存在 方法就可以了。4、修改了，zyJson.添加成员 和 zyJson.添加属性 方法是添加的副本，所以被添加的对象变量可以重复使用。5、支持对没有引号的属性名进行解析，如 “{name='xxx'}” name可以没有引号。资源作者：。kyozy。资源界面：。资源下载：。

基于Java的实例源码-用Java加密类实现DES、RSA及SHA的加密算法.zip

针对传统的遗传算法存在搜索效率低和无客观判敛标准的缺点,结合不动点算法的渐细剖分思想对其进行改进,首先将函数优化问题转换为不动点问题;然后对解空间做单纯剖分,根据剖分顶点信息进行迭代搜索;最后将寻找到的全标单纯形转换为目标值输出。将改进算法应用到开关磁阻电机的结构优化设计中,建立了以电磁径向力最低为目标的优化设计模型。以功率为2.2kw的电机为例,利用该模型进行优化分析,并与原电机参数进行对比。结果表明,改进后的算法经过10次迭代后求得较好的全局最优解,稳定高效。

初版代码，正侧视条件下，进行脉内运动补偿和距离徙动补偿，参考文献请看2021年国防科大的博士论文《微小型无人机载FMCW-SAR成像技术研究与系统实现》，这是我认为写的最详细公式最规范的一篇博士论文，有Ian. G. Cumming的风格，非常推荐！

模拟退火算法（Simulated Annealing, SA）是一种概率型优化算法，用于在给定大的搜索空间内寻找问题的最优解。该算法模仿了物理退火过程，即固体物质加热后再缓慢冷却以减少系统的能量，达到更稳定的状态。在模拟退火中，"能量"对应于优化问题的目标函数值，"温度"则是一个控制参数，用于决定接受较差解的概率，以避免陷入局部最优。 以下是一个使用Python实现的模拟退火算法示例： 在这个例子中，cost_function 是我们要优化的目标函数，neighbour_function 用于生成当前解的邻近解，simulated_annealing 函数实现了模拟退火算法的主体逻辑。我们从一个随机初始化解开始，通过不断迭代、生成新解、评估和接受或拒绝新解来寻找最优解。 请注意，模拟退火算法的性能高度依赖于初始温度、降温速率、最大迭代次数等参数的设置，以及邻居函数和目标函数的设计。在实际应用中，可能需要根据具体问题调整这些参数和函数。

【智能优化算法】基于遗传算法求解非线性目标函数最小值问题含Matlab源码.zip