针对猴群算法中的重要步骤“爬过程”搜索盲目、效率较低的问题,提出了一种用于传感器优化布置的异步爬猴群算法。采用双重编码的方式,克服了原猴群算法只能解决连续变量优化问题的缺陷;利用猴群在搜索过程中的全局最优解和个体历史最优解的信息改进了爬过程的搜索模式,同时将异步变化学习因子引入到搜索模式中,通过调整猴子自身经验和社会群体经验在爬过程中所起的作用,来保持全局搜索和局部搜索的平衡,大幅提高了算法的搜索效率。文末以广州新电视塔为例,进行了参数敏感性分析以及传感器优化布置方案的选择。结果表明,异步爬猴群算法能较好

easytorch 使用Python的numpy实现的简易深度学习框架，API与pytorch基本相同，实现了自动求导、基础优化器、layer等。 1 文档目录 2 Quick Start from easytorch.layer import Linear, Tanh, Sequential from easytorch.optim import SGD import easytorch.functional as F # Create a model, optimizer, loss function model = Sequential( Linear(1, 5), Tanh(), Linear(5, 1) ) opt = SGD(model.parameters(), lr=3e-4) loss_fn = F.mse_loss # train the mod

WOA鲸鱼优化算法及测试函数matlab编程

本文件是作者自己学习pso算法时的源代码，可以配合作者发布的两个学习笔记学习。 文件包含了5个文件，pso_class2是基本的pso算法，适合初学者阅读，是第一个笔记的代码文件。 PSO是函数文件，pso1,pso2分别是调用PSO函数的文件，体现了函数的便捷利用。是pso_class2的升级版本，对应了第二个PSO学习笔记部分。其中pso2是收敛pso公式。 Sphere函数文件时测试函数，可以替换成其他测试函数。 针对以上的文件，读者可以自己修改参数，多敲代码，多思考设计思路，相信你会有所收获。欢迎留言，一起交流学习经验，遇到问题也可以一起讨论

python爬虫headers处理小工具源码优化（支持浏览器、Charles、Fillder）

读文章是复现文章的第一步，读有代码文章可以事半功倍！而复现一篇文章是写文章的前提！！ 这里献上电力系统优化调度与预测方向研究生必备matlab-yalmip代码！！祝您快速入门，早日发paper！！！ 包含需求响应/两阶段鲁棒优化/多目标优化/机会约束/二阶锥松弛/时间序列预测/经验模态分解/微电网经济调度/综合能源系统优化调度/低碳调度/碳交易/综合需求响应/电动汽车/多时间尺度/智能算法/配电网最优潮流/无功优化/共享储能/分布式算法/主从博弈/合作博弈等文献复现matlab代码 代码除特殊说明，均为matlab-yalmip-cplex/gurobi编写与运行！代码有偿，清单及详细介绍请见PDF文档

提出一种利用粒子群优化算法进行在线寻优的自适应控制算法, 该方法可抑制极限环的振荡幅值. 应用极
值搜索控制的思想, 在线测量极限环的振荡幅度, 并将其作为优化目标, 利用粒子群优化算法寻找最优控制量, 使得
极限环的振荡幅值最小. 针对粒子群优化和极限环控制的特点, 提出一种加快收敛的算法. 数值实验表明, 提出的算
法不仅与传统基于摄动方法的极值搜索控制性能相当, 而且可对非凸和不光滑目标函数进行在线寻优, 鲁棒性更强.

一、蒙特卡洛算法 1、含义的理解 以概率和统计理论方法为基础的一种计算方法。也称统计模拟方法，是指使用随机数（或更 常见的伪随机数）来解决很多计算问题的方法，它是将所求解的问题同一定的概率模型相 联系，用计算机实现统计模拟或抽样，以获得问题的近似解。 2、算法实例（有很多相似的例题，包括平行线等） 在数值积分法中，利用求单位圆的 1/4 的面积来求得 Pi/4 从而得到 Pi。单位圆的 1/4 面积是 一个扇形，它是边长为 1 单位正方形的一部分。只要能求出扇形面积 S1 在正方形面积 S 中 占的比例 K=S1/S 就立即能得到 S1，从而得到 Pi 的值。怎样求出扇形面积在正方形面积中 占的比例 K 呢？一个办法是在正方形中随机投入很多点，使所投的点落在正方形中每一个 位置的机会相等看其中有多少个点落在扇形内。将落在扇形内的点数 m 与所投点的总数 n 的比 m/n 作为 k 的近似值。P 落在扇形内的充要条件是 2 2 1x y  。

构建容量受限的旅行商问题模型，加入容量约束，采用蚁群算法优化，matlab实现！

根据多商品网络流理论构建铁路车流分配及径路优化模型，模型中设置0-1型决策变量表示该股车流是否通过路网中的弧段，使优化结果既能体现各个弧段的车流构成情况，又能反映每股车流的走行径路．模型的约束除了考虑传统模型中的弧段通过能力限制和车流不可拆散的原则外，将路径的合理绕行纳入约束体系，使结果更加符合铁路运输实际．最后，在MATLAB软件中调用 CPLEX优化器，采用模拟车流0D数据在我国某地区局部路网中对模型进行验证．结果表明该模型能得出比较理想的车流分配的优化方案，验证了模型的合理有效性．