GODLIKE (Global Optimum Determination by Linking and Interchanging Kindred Evaluators) 是各种基于种群的全局优化方案的泛化。此外，它只需添加额外的目标函数即可处理单目标和多目标优化。 GODLIKE 使用遗传算法、差分进化、粒子群优化和自适应模拟退火算法的相对基本实现来解决优化问题。它的强大之处在于这些不同的算法同时运行（链接），并且来自每个群体的成员偶尔会交换（交换）以减少收敛到局部最小化器的机会。 它的主要目的是提高鲁棒性，而不是提高效率，因为它通常需要比单独的任何算法更多的功能评估。它还旨在消除每次遇到优化问题时都需要微调这些算法，并概括优化本身（它既是单目标优化器又是多目标优化器），并生成要使用的简单图在快速报告等

MOMRFO：多目标蝠鲼觅食优化器 在 MOMRFO 中，集成了一个固定大小的外部存档，通过在优化过程中保存最佳 Pareto 集来维护精英概念。该存档基于网格机制进行更新，以在目标空间内保持蝠鲼的良好分布。 主要论文可以在这里找到：A. Got, D. Zouache, A. Moussaoui, MOMRFO: Multi-Objective Manta Ray Foraging Optimizer for processing engineering design questions, Knowledge Based-Systems, DOI: https://doi.org/ 10.1016/j.knosys.2021.107880

这是具有非支配排序和拥挤距离方法 (MOBO2) 的多目标倭黑猩猩优化器 (MOBO) 的 Matlab 代码。开发了三个版本的 MOBO， 如采用网格索引方法的 MOBO (MOBO1)、采用非支配排序和拥挤距离方法的 MOBO (MOBO2) 和采用分解技术的 MOBO (MOBO3)。 在这三个版本中，总体而言，MOBO2 方法与其他两种方法相比具有更好的性能。 这是为解决无约束优化问题而编写的。 然而，它也可以通过约束处理方法解决约束优化问题。 用户应编写自己的目标函数并进行相应修改。 根据问题需要修改常用参数和算法特定参数。 MOBO算法的详细信息，请参考和引用如下： 达斯，AK，尼库姆，AK，克里希南，SV 等。多目标倭黑猩猩优化器（MOBO）：用于多标准优化的智能启发式。 知识信息系统（2020）。https://doi.org/10.1007/s10115-020-01503-x

具有网格索引方法的多目标 Bonobo 优化器 Multi-objective Bonobo optimizer with grid-index approach 这是具有网格索引方法的多目标倭黑猩猩优化器 (MOBO) 的 Matlab 代码。它被命名为MOBO1。 这是具有网格索引方法的多目标倭黑猩猩优化器 (MOBO) 的 matlab 代码。开发了三个版本的 MOBO， 如采用网格索引方法的 MOBO (MOBO1)、采用非支配排序和拥挤距离方法的 MOBO (MOBO2) 和采用分解技术的 MOBO (MOBO3)。 在这三个版本中，总体而言，MOBO2 方法与其他两种方法相比具有更好的性能。 这是为解决无约束优化问题而编写的。 然而，它也可以通过约束处理方法解决约束优化问题。 用户应编写自己的目标函数并进行相应修改。 根据问题需要修改常用参数和算法特定参数。 MOBO算法的详细信息，请参考和引用如下： 达斯，AK，尼库姆，AK，克里希南，SV 等。多目标倭黑猩猩优化器（MOBO）：用于多标准优化的智能启发式。 知识信息系统（2020）。

在多目标灰狼优化器 (MOGWO) 中，固定大小的外部存档集成到 GWO 中，用于保存和检索帕累托最优解。该档案已被用于定义社会等级并模拟多目标搜索空间中灰狼的狩猎行为。 主要论文可以在这里找到：S. Mirjalili, S. Saremi, SM Mirjalili, L. Coelho, Multi-objective gray wolf optimizationr: A new algorithm for multi-criterion optimization, Expert Systems with Applications, in press, DOI: http ://dx.doi.org/10.1016/j.eswa.2015.10.039

主要介绍了Keras SGD 随机梯度下降优化器参数设置方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

天鹰座优化器（AO）是2021年提出的新的群智能优化算法. 天鹰座优化器（AO）是一种新颖的基于种群的优化方法，其灵感来自天鹰座在捕捉猎物过程中的自然行为。 主要参考资料：Abualigah，L.，Yousri，D.，Elaziz，MA，Ewees，AA，A。Al-qaness，MA，Gandomi， AH，Aquila Optimizer：一种新颖的元启发式优化算法，计算机与工业工程（2021年），doi： https ： //doi.org/10.1016/j.cie.2021.107250

关于MATLAB中的GA优化器的参数详细解释，从官网帮助文档翻译，结合自己的理解进行的解释 配合视频教程使用 视频教程地址：https://www.bilibili.com/video/BV17Y4y1e74z?share_source=copy_web

完整代码，可直接运行

深度学习中的场景识别 在此项目中，我们使用CNN将图像分类为不同的场景。 该项目的目标包括构建使用PyTorch进行深度学习的基本管道，了解不同层，优化器背后的概念以及尝试使用不同的模型并观察性能。 项目设计归因：佐治亚理工学院，CS 6476（2020年秋季），Frank Dellaert