UWSN仿真代码（Simulate the basic processes of UWSN in Matlab），适用于大学生，研究生无线传感器网络的仿真参考

g2o-通用图优化 Linux： 视窗： g2o是用于优化基于图的非线性误差函数的开源C ++框架。 g2o被设计为易于扩展到各种问题，通常可以在几行代码中指定一个新问题。 当前的实现为SLAM和BA的多个变体提供了解决方案。 机器人技术和计算机视觉中的许多问题都涉及到最小化可以表示为图形的非线性误差函数。 典型实例是同时定位和映射（SLAM）或捆绑包调整（BA）。 这些问题的总体目标是找到能最大程度解释受高斯噪声影响的一组测量值的参数或状态变量的配置。 g2o是用于解决此类非线性最小二乘问题的开源C ++框架。 g2o被设计为易于扩展到各种问题，通常可以在几行代码中指定一个新问题。 当前的实现为SLAM和BA的多个变体提供了解决方案。 对于特定的问题，g2o的性能可与最新方法的实现相媲美（02/2011）。 描述方法的论文 Rainer Kuemmerle，Giorgio Gris

VINS-Mono点线优化的源码

粒子群优化最经典的文章，创始人James Kennedy' and Russell Eberhart2于1995年发表的文章。 A concept for the optimization of nonlinear functions using particle swarm methodology is introduced. The evolution of several paradigms is outlined, and an implementation of one of the paradigms is discussed. Benchmark testing of the paradigm is described, and applications, including nonlinear function optimization and neural network training, are proposed. The relationships between particle swarm optimization and both artificial life and genetic algorithms are described

This book is about convex optimization, a special class of mathematical optimization problems, which includes least-squares and linear programming problems. It is well known that least-squares and linear programming problems have a fairly complete theory, arise in a variety of applications, and can be solved numerically very efficiently. The basic point of this book is that the same can be said for the larger class of convex optimization problems.

《Convex Optimization》中文版 王书宁等译+英文版及英文版习题解答+ Convex Optimization额外练习+Convex Optimization幻灯片PDF形式

INTRODUCTION TO NONLINEAR OPTIMIZATION Theory, Algorithms, and Applications with MATLAB. 讲解非线性优化方法的书籍。

Numerical Optimization 数值优化 Jorge Nocedal， Stephen J. Wright 著的2006第二版，数值优化领域的经典书籍。包括线性搜索，大规模无约束优化，内点法，最小二乘，约束优化等等。

斜行星matlab代码齿轮系统优化 我在华盛顿州莱西的圣马丁大学本科学习期间编写的代码。 该代码是用 Matlab 编写的，采用所需的齿轮比、材料特性和尺寸约束，并为基本斜齿轮设计生成优化尺寸。 下面是基本齿轮设计的图像。

智能寻优matlab代码Harris hawks 优化：算法与应用 哈里斯鹰队优化 (HHO) 论文源代码：Harris hawks optimization: Algorithm and Applications 在本文中，提出了一种新的基于人口、受自然启发的优化范式，称为 Harris Hawks Optimizer (HHO)。 HHO的主要灵感是哈里斯鹰在自然界中的合作行为和追逐方式，称为突袭。 在这个智能策略中，几只鹰从不同方向协同突袭猎物，试图给它一个惊喜。 哈里斯鹰可以根据场景的动态特性和猎物的逃逸模式揭示各种追逐模式。 这项工作在数学上模拟了这种动态模式和行为，以开发优化算法。 通过与其他受自然启发的技术进行比较，在 29 个基准问题和几个实际工程问题上检查了所提出的 HHO 优化器的有效性。 统计结果和比较表明，与完善的元启发式技术相比，HHO 算法提供了非常有希望且偶尔具有竞争力的结果。 HHO 和相关补充材料的源代码可在 . 您无需安装任何 MATLAB 软件即可在线运行 HHO 代码 主要论文： Harris hawks 优化：算法和应用 Ali Asghar