vmd分解matlab实现，变分模态分解，信号分解，可应用于各种信号的分解，以及入门学习的辅助材料，这是vmd方法提出者的原版代码

用MATLAB实现的压缩传感，包括压缩比、运行时间和计算复原图像的峰值信噪比,有借鉴意义哦，本程序的性能已经超过其他算法，包括调制，解调，信噪比计算，用平面波展开法计算二维声子晶体带隙。

VDN 要求和依存关系 Ubuntu 16.04，CUDA 10.0 Python 3.6，Pytorch 1.1.0 详细信息（请参阅environment.yml） 图像去噪 非IID高斯噪声消除 在训练阶段，我们使用， 的源图像作为 ，并使用高斯核生成了噪声的方差图。 但是，在测试阶段，采用了三种不同的方差图来生成噪声图像，以验证VDN的一般性。 测验 python demo_test_simulation.py 训练 从以上链接下载源图像。 准备测试数据集： python datasets/prepare_data/simulation/noise_generate_nips_niid.py 开始培训： python train_simulation.py --simulate_dir source_imgs_path --eps2 5e-5 真实的

1.python程序 2.有数据集，可直接运行

# Pytorch实现VAE变分自动编码器生成MNIST手写数字图像 1. VAE模型的Pytorch源码，训练后其解码器就是生成模型； 2. 在MNIST数据集上训练了50个epochs，训练过程的生成效果放在result文件夹下，训练后的模型保存为model.pth，可用于生成新的手写数字图像； 3. 训练代码会自动下载MNIST数据集，运行代码即可自行训练。

通过 ADMM 进行的 Total Variation 彩色图像去噪。导出两个不同的求解器，tvd使用稀疏数组求解，tvd_fft使用傅里叶域求解。

VMD研究确定中心频率以及分类的模态数，亲测可用！！！

解带Robin边界条件的变分不等式的区域分解算法.doc

通过引入步长线性搜索，SQP算法在一定的假设条件下可以具有全局和局部超线性收敛性。然而在传统的SQP算法中，其二次规划子问题可能不相容，也就是子问题可行集是空集。 为了解决这个不足，备种技术相继被提出。特别是Panier和Tits在[9]中提出的一种可行SQP（FSQP，www.Yifanglunwen.com）算法，其保证山东科技大学硕士学位论文每次迭代都得到可行点，从而避免了上述问题。然而FSQP算法仍然要求每次迭代求解一个二次规划子问题，使得算法的复杂度和计算量仍然较大。在这种情况下便产生了对QP一free算法的研究，因为它的子问题只包含更易求解且计算量相对较小的线性系统。 1988年，panier，Tits和Herskovits在[10]中提出一种求解不等式约束优化lb]题的QP一free算法。该算法每次迭代只要求求解两个不同的线性方程组和一个线性平方问题。从那时起，QP一free算法成为非线性约束优化领域的研究热点之一。 QP一free算法具有SQP算法的一些优点，例如收敛速度快，算法结构简单等。此外它还有其它一些良好性质，例如其子问题通常只包含同系数的线性方程组，并且这些方程组在一定的假设条件下都是可解的。 然而，从理论和实用的角度来看，现有的QP一free算法仍存在两个主要问题有待解决。首先，为了确保局部快速收敛性并防止Maratos效应，严格互补松弛条件要被假设成立。然而在一般情况下，该条件很难被检验。 其次，求解等式和不等式约束优化问题的QP一free算法一般要求所有等式和有效不等式约束的梯度向量线性无关。但每当等式约束个数多于两个或者总约束个数超过空间维数时，该线性无关条件经常失效。在这种情况下，病态wachier一Biegler现象（参见[4』）就会在算法中发生。Tits等最近在〔2]中提出了一种双重内点算法，在保证收敛性质不受影响的前提下，该算法大大减弱了以上线性无关条件。 通过一段时间的发展，存在于早期QP一free算法中的一些缺点己经正在被解决。例如，起初的一些QP一free算法只能证明迭代点列的任一聚点是原问题的稳定点，在一些附加假设条件下，如所有稳定点是孤立的，才能证明这些聚点是原问题KKT点。 这个问题在Z.Gao，G.He和F.Wu的关于序列线性方程组算法的文章中得到解决。另外，一些QP一free算法的子问题线性系统在严格互补松弛条件不成立时可能出现病态。这将导致乘子逼近序列出现分歧以致收敛性失败。通过应用Fiseher一Burmeister非线性互补问题函数，H.Qi和L.Qi在【17]中对以前的QP一free算法做了有效的改进，使得迭代矩阵的一致非奇异性得到保证。在大多数QP一free算法中，其子问题的维数通常是满的。因此，当应用于大规模约束问题时，计算量会相应大大增加。Y.Yang和L.Qi在Faeehinei一FISeher一Kanzow KKT识别技术的基础上，http://www.yifanglunwen.com/post/46.html对不等式约束优化问题提出一种QP一free算法。 在其每次迭论文摘要代中，只有有效工作集中的约束参与计算。 在本文中，我们在Facchinei一Fischer一Kanzow KKT点有效约束集识别技术的基础上提出了三个具有强收敛性的QP一free算法。第一个是求解不等式约束优化问题（NLPI）的可行点算法。在该算法中我们引入如下有效约束集识别函数:。

基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python）