效果不错，值得下载，VMD分解优化参数。

针对基本遗传算法GA有局部搜索能力差、计算量大、对较大搜索空间适应能力差和易收敛于局部极小值等问题, 采用将极值优化EO算法与传统遗传算法相结合的方式, 对基本遗传算法进行改进, 提出了一种新的算法：GA-EO算法, 并用实验证明了新算法的有效性。

为降低传统仿真优化方法所需的仿真次数，从而缩短仿真优化时间，提出了一种基于GRNN神经网络的仿真优化算法设计。首先，利用仿真生成一定数量的样本集，利用GRNN神经网络进行训练，得到初始回归曲面，并在该曲面上利用Pattern Search算法找出全部可能的局部极小，由于可能会找到一些假局部极小点-即噪声点，设计了剔除噪声点的方法，得到全部局部极小；在各局部极小点周围增补少量仿真样本，再次利用GRNN进行训练，得到新的回归曲面。重复增补样本，直到得到仿真优化的最优解。实例表明，本文方法能够有效降低所需样本的数量，实现仿真优化问题的求解。

Rosenbrock函数Matlab代码局部最小化器的梯度最速下降法 该项目演示了如何找到该算法在任何维度（1、5、10、100、200、300）的函数的局部极小值。 代码实现 代码在 Matlab R2018b 中实现。 描述 此代码演示了 [-2,2] 区间的 5 维 Rosenbrock 函数的局部最小化。 此外，代码可用于任何维度的任何功能。 必须考虑的一点是分配初始值。 不同的初始值可能给出不同的局部极小值。 在这个问题中，我们希望找到一个多维函数的局部极小值。 这个项目中有四个脚本。 'gradient.m' 文件是取函数的梯度。 'func.m' 文件用于函数。 您可以更改函数并尝试找到任何函数的局部最小值。 'secantmethod.m' 是对 alpha 的一维搜索。 'mainscript.m' 结合其他文件和运行代码。 下面给出初始点。 x = [-1 1 -0.5 -0.7 -2] 执行 要运行此示例，只需在 Matlab 的命令行中编写 run mainscript.m 输出将如下所示 Minimum point of the function : x

为解决移动机器人未知环境下的路径规划问题,提出基于子目标搜索的机器人目标导向RRT(rapidly- exploring random trees)路径规划算法.一方面,针对传统RRT算法固有的盲目搜索问题,引入目标导向函数,形成目标导向RRT路径规划算法,这一改进可减少冗余搜索,提高路径规划效率;另一方面,为了使机器人在首次探索未知环境时也能顺利抵达目标点,提出3种不同情况下的子目标搜索策略,包括无障碍环境下的直达策略、扫到边界点时的最短距离策略和扫不到边界点时的后退策略,这3种策略使机器人能够完成对未知环境的探索,而且可以克服易出现的局部极小点问题,使机器人具有逃离局部极小环境的能力.仿真实验结果验证了所提出算法的可行性和有效性.

改进斥力场函数和使用虚拟中间目标点法解决传统人工势场法局部极小值问题的MATLAB代码