最大似然波达方向(DOA)估计具有最优的理论性能,但是存在计算量过大的问题。为了降低最大似然DOA估计的计算量,将参数估计转化为高维非线性函数的优化问题,并提出了一种新的优化算法。首先利用波束形成法对空间谱进行预估计并根据空间谱信息构造一组满足"预估分布"的初始解,这组初始解以较大概率落在全局最优解的局部吸引域中。然后将其中适应度最大的一个初始解作为局部搜索的起点。网格爬山法是一种以网格为单元的局部搜索方法,比传统爬山法更加高效和稳定,因此采用该方法获取全局最优解。新算法不仅能够得到精确的参数估计,同时具有较高的计算效率,计算机仿真显示新算法的计算效率高于基于粒子群优化的最大似然DOA估计算法。

MPPT爬山算法，个人用过还不错，simulink仿真

它是一种寻找适应度函数最小值的爬山优化算法在真实空间中。 空间应该被适当地约束和定义。 它尝试在每个维度上执行步骤，并继续搜索给出适应度函数最低值的维度和方向。 如果所有相邻函数评估给出的结果都大于最低估计的结果，则停止。 用户可以定义算法将使用的精度（即步长）。 这使得它比 Matlab 提供的 fminsearch 优化函数更灵活。 如果需要，该算法能够将附加参数传递给适应度函数。 例如键入 ?help hilloptions? 和？帮助山？

本函数使用matlab编写的，运行速度相比我个人编写的传统逐点搜索法要快一个数量级，用到的相关函数是ZNCC，写的较乱。

光伏发电系统的输出功率随外界环境的改变而变化，若控制光伏列阵始终在最大功率点处工作，将能提高光伏发电效率。在传统单一的MPPT算法中，无法同时满足系统的动态性和稳态性，为此拟提出一种将爬山法与变论域模糊控制组合算法，并通过Simulink仿真分析，分别对比研究了爬山法、模糊控制法、变论域模糊控制以及组合算法跟踪光伏列阵最大功率点的输出特性。仿真结果表明：组合控制算法能快速、稳定地追踪最大功率点。

利用最大最小爬山算法构建肺癌患者的预后模型,指导肺癌预后评价。以SEER(surveillance, epidemiology, and end results)数据库中2008年至2014年期间被确诊为肺癌的患者组成数据集,首先利用卡方检验、Logistic回归分析方法对数据集中的变量进行特征选择;然后,在训练集上利用最大最小爬山算法建立肺癌患者的预后模型,并在测试集上对患者进行5年后生存情况预测;最后,选择Logistic回归、人工神经网络、决策树、支持向量机方法和本研究模型在测试集上进行分类实验对比。最终结果显示本研究模型对肺癌患者5年后生存情况的预测准确率高于其他方法。

人工智能爬山法解决N皇后问题，vs2010编写，效果很好，代码有注释，可轻松理解。

锅炉空燃比优化模型,自变量是空燃比,因变量是热效率.瞎子爬山优化空燃比寻找热效率最优值,其实该过程是随机试错过程.热效率计算,见https://download.csdn.net/download/weixin_37928884/85505889,也可以在评论区留言,手把手教授.

瞎子爬山优化空燃比，用于锅炉稳定工况下进行空燃比寻优，目标函数为热效率。C++源码，可运行。

人工智能-项目实践-优化算法-基于python的可视化爬山法 climb-display-demo 爬山法可视化demo How to use run main.py