实际工程的优化设计问题：非线性约束优化问题 优化设计问题的类型 线性规划问题 优化问题的目标函数和约束函数都是设计变量的线性函数 非线性规划问题 目标函数和约束函数不全是设计变量的线性函数 函数与变量间的关系 无约束优化问题 只有目标函数而无约束条件的优化问题 约束优化问题 有约束条件的优化问题 有无约束条件

基于PSO的多目标优化问题

矩阵用matlab代码实现用于以下方面的计算材料：“对大型已实现协方差矩阵和投资组合选择进行建模和预测。” Laurent Callot，Anders B. Kock，Marcelo C. Medeiros。 日期29/12/2015 该存储库包含用于计算结果的材料：“对大型实现的协方差矩阵和投资组合选择进行建模和预测。” 由于所涉及计算的复杂性和中间输出的大小，因此当前存储库中的物料不包含保存生成输出所必需的预测结果。 包括本文中使用的所有代码以及原始数据。 数据 数据包含在数据文件夹中。 以CRK开头的文件是R数据文件，其中包含针对不同聚合级别的数据的不同子集的已实现协方差矩阵。 这些是Rdata文件，可以使用R中的命令load('CRK_file_name) 。 我们有1474每日观察，315每周观察和72每月观察。 每行包含一个已实现的协方差矩阵（道琼斯30支股票的465列，道琼斯指数以标准普尔500指数增强的496列）。 通过连接已实现协方差矩阵的上对角线构造行，从而使条目为：var（stock1），cov（stock1，stock2），var（stock2），cov（sto

为实现微电网系统运行的经济和环境双重优化目标，以独立的系统仿真模块和运行优化模块为核心，建立了微电网多目标动态优化调度的一般模型。仿真模块使用能量模型对系统调度方案的经济、环境指标进行评估，运行优化模块则使用多目标遗传算法NSGA-Ⅱ ，结合仿真模块的评估结果对调度方案进行优化。在NSGA-Ⅱ中引入了初始点引导技术和去重操作，有效地改善了算法的收敛性能和Pareto前沿的分布特性。将该模型和方法应用于典型风光蓄柴微电网系统的日前优化调度，证实了所建模型和所提方法的有效性。

em算法matlab代码GMM_IC_DP “通过动态编程分区为单变量高斯，多成分，异方差混合模型初始化EM算法” 作者：Andrzej Polanski，Michal Marczyk，Monika Pietrowska，Piotr Widlak，Joanna Polanska 补充材料：Matlab脚本和函数，用于比较第6.2节中描述为第4组的数据的分区算法EQ，H-clu-c，H-clu-a，DP-Q4。 通过启动Matlab脚本partitions_em_demo开始计算 进行了一次随机模拟实验（包括6.2节中列出的三个步骤1-3）。 计算结果通过分区图（图1）和数据直方图对估计的概率密度函数的关系图（图2）显示。 还报告了误差和可能性的值。 通过修改Matlab代码，还可以实现其他计算方案（用于模拟数据）。 文件列表：partitions_em_demo：用于对算法进行演示比较的脚本文件，用于比较EM算法的初始化方法g_mix_gen：函数，生成混合样本h_clu_a：函数，通过平均链接层次聚类划分样本h_clu_c：函数，通过完全链接层次聚类进行样本划分dyn_pr_spli

NSGA2优化算法Matlab求解多目标优化问题，遗传算法优化+帕累托排序，有效地解决了多目标优化问题，算例可行有效。

针对云计算的高能耗问题,从系统级节能角度,提出一种节能的资源调度算法.首先,建立云计算的两级资源调度模型;综合考虑主机的工作、空闲和休眠等多种状态建立能耗模型,并用多功能计量插座加以验证.然后,提出基于遗传算法的最小能耗资源调度算法(minimum energy consumption based on genetic algorithm,MECGA),根据云任务的服务质量(quality of service,QoS)需求产生初始种群,以系统能耗最小为调度目标设计适应度函数,并根据染色体适应度的正态分布函数和种群的进化代数设计遗传算子.仿真结果表明,所提算法能够有效降低系统总能耗、缩短任务完成时间.

基于mopso的标准程序。内有详细代码介绍

云计算中虚拟机资源调度多目标优化

在利用深度学习开源代码测试自己数据时，会遇到对自己构建数据集进行均值和方差计算的问题。本资源有两个python脚本，在python3下编写，一个是直接求取原始数据集均值，一个是对拉成张量后的数据集进行均值和方差求取处理，用于transforms.Normalize()函数设置。