共轭梯度法中CD（Dixon）法的 MATLAB代码

随机并行梯度下降（SPGD）算法已被证明是一种较为有效的像清晰化系统控制算法，具有不依赖波前传感器直接对系统性能指标进行优化的特点。其控制参数增益系数和扰动幅度决定了算法的收敛速度以及收敛稳定性。参数取值范围较窄，超出范围将导致收敛后期的震荡，或者较慢的算法收敛速度。研究了算法增益系数和扰动幅度对校正效果和收敛速度的影响，提出了一种参数自适应优化的方法。基于52单元变形镜、位置敏感传感器等器件建立了SPGD控制算法的像清晰化实验平台，验证该方法的有效性。实验结果表明，该方法扩展了参数取值范围，提高算法收敛速度的同时具有较好的收敛稳定性。

优化方法的共轭梯度法Matlab代码，有需要的可以来下载哦！

梯度下降法——凸函数拟合.py

司机批评家 OpenAI Gym的CarRacing-v0环境解决方案。它使用DDPG算法（深度确定性策略梯度）。 快速开始 依存关系： 健身房0.18.0 Tensorflow 2.4.0 Matplotlib 3.3.4 当前版本的CarRacing-v0存在内存错误。为了解决这个问题，我们需要从Gym GitHub手动下载最新的“ car_racing.py”脚本。 正在运行的应用程序： 执行“ main_loop.py”以训练新模型。按空格键观看进度 可以通过运行“ evaluate_loop.py”来检查最佳解决方案。 解决方案 DDPG由4个网络组成： 演员-玩游戏 评论家-评估演员 目标演员和目标评论家-产生学习目标值 参考： : 它旨在创建一个基类，它将成为每个连续动作任务的基础。通过继承基类，可以轻松实现更复杂的解决方案。 CarRacing-v0是一种计算机视

梯度下降法.py

共轭梯度法.py

它试图找到以下方程组的解，Ax = b，其中， A 是一个 2x2 对称的正定矩阵b 是列向量x 是未知解向量。

这些函数使用高斯平滑和对称差分进行梯度估计。 它们可用于支持例如 Canny 边缘检测器，并可形成许多图像和数据处理操作的初始阶段。 梯度函数接受不同类型的数据： gradients_x: 一个向量 gradients_xy：一个二维数组，通常是一个图像。 返回梯度的两个分量。 gradients_xyt：两个二维数组，每个数组通常是一个图像。 返回空间和时间梯度。 gradients_n：一个 ND 数组。 返回沿每个轴的梯度。 支持平滑函数执行高斯平滑，输入： gsmooth：一个向量 gsmooth2：二维数组 gsmoothn：ND 阵列 如果需要，这些函数提供各向异性平滑。 （也就是说，每个轴的平滑常数不同。） 特别注意如何处理靠近数组边界的元素。 默认情况下，输出数组小于输入数组，因此只需要计算有效值。 但是，一个选项允许输出与输入的大小相同； 然后通过使用反射或平

包括变尺度法 方向加速法 步长加速 公轭梯度法等代码，有界面，matlab程序