本章所解决的基本问题是对一维目标函数 F(x) 求最优点的问题，它虽然是求单变量极值问题，考虑到很多时候函数的求导比较困难，甚至根本不可导，所以在最优化技术中一般不用解析法而是采用直接探索方法求最优点，对单变量直接探索称为一维探索或一维搜索，这种求优的方法称为一维优化方法

包括了一维最优化算法 如：0.618法、分数法、二次差值法、三次插值法等源代码 还包括了无约束最优化部分的 共轭梯度法、DFP变尺度法（用导数或者用差分代替导数）、阻尼最小二乘法、鲍威尔法、模式搜索法、单纯性法等程序源代码 其次，约束最优化部分，提供了混合罚函数法（DFP)，混合罚函数法(POWELL)，综合约束函数双下降法、可变容差法、复合形法、网格法、随机实验法、解线性规划的单纯型法等等方法的源代码。

包括了一维最优化算法 如：0.618法、分数法、二次差值法、三次插值法等源代码 还包括了无约束最优化部分的 共轭梯度法、DFP变尺度法（用导数或者用差分代替导数）、阻尼最小二乘法、鲍威尔法、模式搜索法、单纯性法等程序源代码 其次，约束最优化部分，提供了混合罚函数法（DFP)，混合罚函数法(POWELL)，综合约束函数双下降法、可变容差法、复合形法、网格法、随机实验法、解线性规划的单纯型法等等方法的源代码。

灰狼优化算法(GWO)具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO(ODGWO).首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值(FCM)聚类优化.实验结果表明,在许多高维Benchmark函数(30维、50维和1000维)优化上,ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比,ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上, 与GWO、GWOepd和LGWO相比,ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上.

可查看我发的博客描述

基于改进粒子群算法的三维装箱优化研究，杨志强，牛占文，本文提出一种适用于求解三维装箱问题的改进粒子群优化算法。该算法在简化粒子群优化算法的基础上，引入小生境技术实现初始种群的

一种求解高维约束优化问题的γ—PSO算法 PSO算法，约束优化问题，适应度函数，全局极值，局部极值

主要用于三维拓扑优化的，用matlab编写的，比经典的二维拓扑优化（99行）学习，应用更有价值，带有注释讲解的。