支持向量机 (SVM) 是许多分类问题的有效模型。 然而，SVM 需要二次规划的解决方案，需要专门的代码。 此外，SVM 有很多参数，影响了 SVM 分类器的性能。 最近，提出了广义特征值近端 SVM（GEPSVM）来解决 SVM 的复杂性。 在现实世界的应用程序中，数据可能会受到错误或噪声的影响，处理这些数据是一个具有挑战性的问题。 在本文中，已经提出了一种方法来克服这个问题。 这种方法称为 DSA-GEPSVM。 主要改进基于以下几点：1）线性情况下的新模糊值。 2) 非线性情况下的新核函数。 3) 差分搜索算法 (DSA) 被重新制定以找到 GEPSVM 参数及其内核参数的接近最优值。 实验结果表明，所提出的方法能够找到合适的参数值，并且与其他一些算法相比具有更高的分类精度。

SVM的参数优化——如何更好的提升分类器的性能

SVM的参数优化——如何更好的提升分类器的性能，含有源程序和代码

随附的 ZIP 文件包含使用 SonnetLab Toolbox for MATLAB:registered: 的教程。 SonnetLab 是一个免费的 MATLAB:registered: 工具箱，使用户能够控制和自动化 Sonnet 的 3D 平面电磁模拟器。 附加的脚本将以单个短截线的形式打开现有的十四行诗项目，并优化短截线的长度以在 5 GHz 下提供低回波损耗。 原始电路包含控制存根长度的尺寸参数，优化例程修改参数值以生成项目的十次迭代。 随附的档案包括详细描述每一行代码的文档。 本教程需要最新版本的 SonnetLab。 SonnetLab 可从 Sonnet Software 网站下载： http ://sonnetsoftware.com/support/sonnet-suites/sonnetlab.html 请注意：SonnetLab 是与 Syracuse University 共同开发的，不是 So

贝叶斯超参数优化库hyperopt安装包及依赖库，可利用pip离线安装 实现基于TPE的贝叶斯优化，不支持基于高斯过程的贝叶斯优化

多目标遗传算法优化PID参数,是M文件。内容很详细，有需要的可以下载

帮助optuna初学者，更快了解optuna框架的结构及使用方法

Hyperopt-sklearn是基于scikit-learn项目的一个子集，其全称是：Hyper-parameter optimization for scikit-learn，即针对scikit-learn项目的超级参数优化工具。由于scikit-learn是基于Python的机器学习开源框架，因此Hyperopt-sklearn也基于Python语言。Hyperopt-sklearn的文档称：对于开发者而言，针对不同的训练数据挑选一个合适的分类器（classifier）通常是困难的。而且即使选好了分类器，后面的参数调试过程也相当乏味和耗时。更严重的是，还有许多情况是开发者好不容易调试好了选定的分类器，却发现一开始的选择本身就是错误的，这本身就浪费了大量的精力和时间。针对该问题，Hyperopt-sklearn提供了一种解决方案。Hyperopt-sklearn支持各种不同的搜索算法（包括随机搜索、Tree of Parzen Estimators、Annealing等），可以搜索所有支持的分类器（KNeightborsClassifier、KNeightborsClassifier、SGDClassifier等）或者在给定的分类器下搜索所有可能的参数配置，并评估最优选择。并且Hyperopt-sklearn还支持多种预处理流程，包括TfidfVectorizer，Normalzier和OneHotEncoder等。那么Hyperopt-sklearn的实际效果究竟如何？下表分别展示了使用scikit-learn默认参数和Hyperopt-sklearn优化参数运行的分类器的F-score分数，数据源来自20个不同的新闻组稿件。可以看到，经过优化的分类器的平均得分都要高于默认参数的情况。另外，Hyperopt-sklearn的编码量也很小，并且维护团队还提供了丰富的参考样例。 标签：Hyperopt

粒子群算法优化+PID参数优化+simulink版本+matlab源代码

智能优化算法粒子群算法优化PID参数非simulink+matlab源代码