许多元学习方法的少数镜头学习依赖于简单的基础学习者，如最近邻分类器。然而，即使在少量射击的情况下，有区别地训练线性预测器可以提供更好的泛化。我们建议使用这些预测器作为基础学习者来学习少量镜头学习的表示，并表明它们在一系列少量镜头识别基准之间提供了更好的特征大小和性能之间的权衡。我们的目标是学习特征嵌入，在新的类别线性分类规则下很好地一般化。为了有效地解决这一目标，我们利用了线性分类器的两个性质:凸问题的最优性条件的隐式微分和最优问题的对偶公式。这允许我们使用高维嵌入改进的泛化，并适度增加计算开销。我们的方法名为MetaOptNet，在miniImageNet、tieredImageNet、CIFAR-FS和FC100的几次学习基准上实现了最先进的性能。

Robust Optimization (Princeton Series in Applied Mathematics) (Aharon Ben-Tal, et al) 0691143684.pdf

% fodpso - 分数阶达尔文粒子群的 MatLab 函数% 优化 (FODPSO)。 % 仅限于九个变量的优化问题，但很容易% 被扩展为更多的变量。 % % xbest = fodpso(func) % xbest - 优化问题的解决方案。 列数% 取决于输入函数。 size(func,2)=xi 变量的数量% func - 包含数学表达式的字符串。 定义了变量% 为 xi。 例如， func='2*x1+3*x2' 表示这是一个优化问题% 两个变量。 % % [xbest,fit] = fodpso(func) % fit - 使用 xbest 解决方案返回 func 的优化值。 % % [xbest,fit] = fodpso(func,xmin) % xmin - xi 的最小值。 size(xmin,2)=xi 变量的数量。 默认% -100。 % % [xbest,fit]

一个国外开发者写的Matlab工具箱，主要用于优化无无约束的问题。 一个国外开发者写的Matlab工具箱，主要用于优化无无约束的问题。

提出了一种基于水循环和飞蛾火焰优化算法的混合算法。 解决数值和约束工程优化问题。 飞蛾在飞蛾火焰中的螺旋运动水循环算法中引入优化算法，增强其开发能力。 此外， 为了增加新混合方法中的随机性，允许更新水循环算法中的流他们的位置使用随机游走（Levy 飞行）。 随机游走显着提高了探索能力水循环算法。 新的混合水循环-蛾-火焰优化算法的性能(WCMFO) 在 23 个基准函数中进行了研究，例如单峰、多峰和固定维多峰基准函数。 WCMFO 的结果与其他最先进的元启发式算法进行了比较。 结果表明，在大多数基准函数中，混合方法能够胜过其他最先进的元启发式算法。 为了评估 WCMFO 在解决复杂约束工程和现实问题中的效率，使用 WCMFO 解决了三个著名的结构工程问题，并将结果与​​文献中的其他元启发式算法进行了比较。 模拟结果表明，与其他混合和元启发式算法相比，WCMFO 能够提供非常有竞争力和有希望

一个用于高维单目标优化的算法，详见：Ran Cheng and Yaochu Jin. A Competitive Swarm Optimizer for Large Scale Optimization. IEEE Transactions on Cybernetics, 2014

视频采集端hdr优化

清晰版电子书Optimization Modeling with LINGO以及Lingo官方用户手册及源码，是数学建模，运筹学入门必看之品

欧拉公式求长期率的matlab代码机器人运动计划的有效轨迹优化-示例 用于机器人运动计划的有效轨迹优化示例 相依性 -Chebyshev函数的数值工具 -用于自动区分的符号工具 用法 运行MainDemo.m并按照说明进行操作。 可用的演示 [0] 2D Scara机器人，具有运动学约束的时间最优运动 [1] 2D Scara机器人，具有运动学约束的避障 [2] 2D Scara机器人，具有动力学约束的避障 [3] 2D晶圆搬运机器人，避免使用运动学约束，请参阅“考虑了使用概率路线图方法进行运动学约束的机械手的轨迹规划”。 于小文等，2017年，或“工业机器人的智能控制和规划”。 于钊，2018。 对于6轴机器人机箱，请使用的FANUC M20iA模型。 实现包括可视化，正向和逆向运动学，逆向动力学（递归牛顿欧拉方法或rNE）以及正向动力学（铰接体算法或ABA）以进行规划计算。 从ARTE修改了一些参数（零偏移，关节极限） [4] 6轴机器人，在动态约束（速度限制，扭矩限制和扭矩率限制）下的时间最优控制。 可以选择是否在成本函数中使用正则项。 如果不是，则运行“纯”时间最佳控制结果，该

所有CK组件都可以在和！ 使用具有通用JSON API的集体知识工作流框架来统一AI以进行协作实验和优化 请注意，Caffe2已移至 GitHub源代码树，因此此处的某些软件包可能无法正常工作。 介绍 在将大部分的“研究”时间都花在了AI创新上之后，而不是在处理众多且不断变化的AI引擎，它们的API以及整个软件和硬件堆栈之后，我们决定采用另一种方法。 我们开始添加现有的AI框架，包括 ， ， ， ， ， CNTK和MVNC 。 非侵入式开源集体知识工作流框架（CK） 。 CK允许使用JSON API将各种版本的AI框架以及库，编译器，工具，模型和数据集作为统一的和可重用的组件插入，从而在Linux，Windows，MacOS和Android上自动化和自定义其安装（而不是使用ad- hoc脚本），并提供简单的JSON API进行常见操作（例如预测和培训）（请参阅demo ）。