通过采用遗传算法实现函数全局最优的极值计算。采用matlab语言编写完成，可以直接运行，包含图形的绘制

基于遗传算法优化多尺度排列熵参数，类似于粒子群算法优化参数

遗传算法函数优化，内含两个函数优化实例，加matlab遗传算法工具箱，供初学者学习

1.口述EM算法 EM算法就是近似极大化似然函数的一种方法。 那么一般的MLE存在的问题就是当likelihood-function存在log-sum项时，变得极难求解，这时候就要换一种思路，引入隐变量Z，和Z的某种分布q(Z)。这里先不说q(Z)是什么，买下一个伏笔。 EM算法的一个巧妙之处在于：似然函数经过变形（除以q(Z)再乘以q(z)），然后利用jenson’s inequality将log-sum项去掉了，这时候我们可以得到一个似然函数的下界 什么时候取等号呢？当q(z)=p(z|x,θ)时，会得到似然函数的“紧”下界，这时候我们只要最大化下界就可以了 这时候就有了EM算法的核心:就

神经网络遗传算法函数极值寻优

神经网络遗传算法函数极值寻优-非线性函数极值 matlab程序

神经网络遗传算法函数极值寻优——非线性函数极值寻优

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。

图中展示了连线自动路由算法中的各个子函数之间的调用关系图。

利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力寻找函数极值。