Algebra, Topology, Differential Calculus, and Optimization TheoryFor Computer Science and Machine LearningJean Gallier and Jocelyn Quaintance Department of Computer and Information ScienceUniversity of Pennsylvania Philadelphia, PA 19104, USA e-mail: jean@cis.upenn.educ:copyright: Jean GallierAugust 2, 20192ContentsContents 31 Introduction 172 Groups, Rings, and Fields 19 2.1 Groups, Subgroups, Cosets . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Cyclic Groups . . . . . . . . . .

多用户传输波束成形-线性回归-凸面优化教程：在这项工作中，我们使用MATLAB中的凸优化包来实现多用户传输波束成形问题和线性回归。 这是HKUST的ELEC 5470凸优化的作业2

A course in combinatorial optimization (A. Schrijver) 经典的组合优化教材

个人整合资源长鼻浣熊优化算法coati optimization algorithm源代码，更多算法可进入空间查看

回溯方法matlab代码应用数值方法进行优化的 Matlab 代码集， 黄金分割搜索、BFGS 变化、回溯等应用于搜索给定函数的局部/全局极值。 包括情节世代。 最后更新于 2015 年

自适应粒子群优化是一种优化算法，它是粒子群优化（Particle Swarm Optimization，PSO）的一种变体。与传统的PSO不同，APSO使用自适应策略来调整算法的参数，以提高算法的性能和收敛速度。 APSO的主要思想是根据群体的收敛情况动态调整算法的参数。APSO的核心算法与PSO类似，由粒子的速度和位置更新规则组成。每个粒子通过与局部最优解和全局最优解比较来更新自己的位置和速度。 APSO的另一个关键之处是学习因子的自适应调整。在每个迭代中，APSO会计算每个粒子的适应度值。如果适应度值的方差较小，则学习因子的值会变小，以便更加收敛到最优解。相反，如果适应度值的方差较大，则学习因子的值会变大，以便更好地探索解空间。

墨鱼优化 用于解决简单优化问题的算法编码。 所有参考文献都包含在文件夹中。 CFA 是一种相对较新的优化算法，其灵感来自鱿鱼及其模拟周围环境的能力。

mlrMBO：R中的贝叶斯优化和基于模型的优化的工具箱

This book grew out of courses in pricing and revenue optimization developed at Columbia University and Stanford University. 1 At the time there were few other comparable courses. 2 Since then, it has become clear that there is growing interest in pricing and revenue opti- mization (a.k.a. revenue management and dynamic pricing) as a topic of study within both business schools and management science/operations research departments. This interest is quite understandable: Not only is pricing and revenue optimization an important appli- cations arena for quantitative analysis, it has achieved widely publicized successes in many industries, and there is growing interest in the techniques of pricing and revenue optimiza- tion across many different industries. Some of the issues involved in developing and teach- ing an MBA course in pricing and revenue optimization have been treated in articles by Peter Bell (2004) and myself (Phillips 2004).

在过去的几十年中，受自然启发的优化算法因其适用于有效解决具有挑战性的优化问题而引起了研究人员的极大关注。 许多智能系统需要一个优秀的约束优化方案来充当人工智能系统。 人工电场算法（AEFA）是一种智能设计的人工系统，其目的是处理功能优化。 AEFA 的工作原理是库仑静电力定律和牛顿运动定律。 本文通过引入新的速度和位置边界策略扩展了 AEFA 算法以解决约束优化问题。 这些边界导致粒子在问题域内相互交互，并且允许它们单独从问题空间中学习。 它们还通过控制粒子的位置更新来帮助在探索和开发之间取得更好的平衡。 使用 AEFA-C 解决了具有挑战性的 IEEE CEC 2017 约束基准集 28 个问题和 5 个多维非线性结构设计优化问题，测试了所提出方案的有效性和效率。 AEFA-C 的比较研究是使用九种最先进的算法进行的，包括一些 IEEE CEC 2017 竞争对手。 比较研究、统计分析和