智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

自适应权重的粒子群算法，实现复杂问题的有效求解

莱维飞行和反馈策略的自适应被囊群算法

基于自适应加权快速傅里叶变换的迭代算法提出用于远场平顶光束整形。 该算法继承Gerchberg-Saxton算法的投影优化思想，但是自适应快速傅里叶逆变换的远场幅度通过使用一种新颖的优化的自适应权重策略。 一，应用该方法对方形平顶强度分布光束整形的效果是作为示例进行讨论。 通过模拟的纯相分布此方法的100次迭代会集中93.89％的入射激光能量进入所需区域和均方根误差（RMSE） 量身定制的平顶强度分布的平均值是0.0094。 少于20次迭代该方法的集中度超过了90％的入射激光能量进入所需区域和量身定制的平顶强度分布图的RMSE 小于0.05。 然后，该方法在设计中的适用性形状或直径可变的平顶的相位分布光束整形得到了证明。

针对AD-Census变换采用固定权重将AD变换代价与Census变换代价合成的双目立体匹配代价无法体现像素点区域特征的问题，提出一种基于自适应权重AD-Census变换的双目立体匹配算法。算法首先通过增加相邻像素点的灰度差阈值条件改善十字支撑自适应窗口；然后以每个像素点的十字支撑自适应窗口的最短臂长为自变量，利用指数形式的函数，进行AD变换代价与Census变换代价合成权重的自适应设置。由于像素点十字支撑自适应窗口的最短臂长能够反映像素点的区域特性，因此自适应设置的权重大小与像素点的区域特性直接相关，计算图像边缘区域像素点的匹配代价时，AD变换的权重大；计算平滑区域像素点的匹配代价时，Census变换的权重大。Middlebury第3代双目立体匹配评估平台的结果显示，基于自适应权重AD-Census变换的双目立体匹配性能与基于AD-Census变换的双目立体匹配性能相比，所有图像集的全部像素点的视差平均误差减小了25%，非遮挡像素点的视差平均误差减小了20%，性能得到了提升；平台上包括Adir在内的多个图像集的匹配结果表明基于自 适应权重AD-Census变换的双目立体匹配更适合含纹理丰富、存在重复区域的图像。

粒子群算法的一种改进

论文研究-基于自适应权重的面板数据聚类方法.pdf,  基于二维信息的传统聚类方法并不适用于处理面板数据, 在考察面板数据多重信息特征的基础上, 基于面板数据的"绝对指标", "增量指标"及"波动指标", 重构了面板数据相似性测度的距离函数和Ward聚类算法, 提出了面板数据自适应权重聚类方法. 所提供的算法既可退化为传统的绝对量距离聚类方法, 亦可对面板数据的未来所属类别进行聚类预测. 最后, 实例显示此方法兼具有效性和灵活性.

meta_focal_loss 使用焦点损失的自适应权重所需的环境如下：Linux Python 3.8 PyTorch 1.7.1 Torchvision 0.8.2

【优化求解】基于自适应权重和Levy飞行的改进鲸鱼优化算法matlab源码.md

基于自适应权重的RFCM聚类算法.pdf