针对传统WLAN指纹定位算法中存在的定位精度低、稳定性差、实时性不高等问题，提出一种基于CMAES-SVR的WLAN室内定位算法。该算法首先对接入点（AP）的接收信号强度（RSS）进行统计分析，采用高斯滤波对信号进行预处理，然后利用K-means聚类算法将原始指纹数据库中的定位区域进行聚类分块；其次采用协方差矩阵自适应进化策略（CMAES）优化支持向量回归机（SVR）参数，从而建立CMAES-SVR室内定位学习模型，通过该模型分别构建各定位子区域中RSS信号与物理位置非线性映射关系；最后判断测试点所属类簇，根据该类簇中训练好的CMAES-SVR模型进行回归预测。实验结果表明，与WKNN、传统SVR以及PSO-SVR算法相比，该算法在定位精度、稳定性以及实时性方面均有所提高。

该算法通过分治策略解决大规模无约束黑盒优化问题。 它使用全局差分分组 (GDG) 将大量决策变量分解为较小的子组件，然后通过 CMS-ES 优化器优化每个子组件。

import barecmaes2 as cma res = cma.fmin( 目标函数名， 结果向量的初始值， cmaes寻找值的标准差， 目标函数的其他参数， 最大更新轮数， 目标函数值【默认越小越好】， 多少轮输出一次中间结果， 多少轮输出进log文件， 多少轮画一张图) 返回的结果是 (xbest, fbest, evalsbest, evals, iterations, xmean,`` `` termination_condition, CMAES_object_instance, data_logger) eg： res = cma.fmin(cma.Fcts.elli, 10 * [0.5], 0.3, verb_disp=100,verb_plot=0)

CMA-ES 轻量级协方差矩阵适应进化策略（CMA-ES）[1]的实现。 消息 2021/03/10 在Optuna中型博客上发布。 本文介绍了何时以及如何充分利用CMA-ES采样器。 请检查一下！ 2021/02/02由该库的维护者撰写的论文在AAAI 2021上被接受 :party_popper: 2020/07/29 Optuna的内置CMA-ES采样器在后台使用此库，已在Optuna v2.0中稳定。 请查看。 安装 支持的Python版本是3.6或更高版本。 $ pip install cmaes 或者，您可以通过安装。 $ conda install -c conda-forge cmaes 用法 该库提供了一种“问与答”风格的界面。 import numpy as np from cmaes import CMA def quadratic ( x1 , x2 ): return

///// pymoo：Python中的多目标优化 我们的开源框架pymoo提供最先进的单目标和多目标算法，以及与多目标优化有关的更多功能，例如可视化和决策制定。 安装 首先，请确保您已安装Python 3环境。 我们建议使用miniconda3或anaconda3。 官方版本始终在PyPi上可用： pip install -U pymoo 对于当前的开发人员版本： git clone https://github.com/msu-coinlab/pymoo cd pymoo pip install . 由于为了加快速度，还可以编译某些模块，因此您可以仔细检查编译是否有效。 执行命令时，请确保不在本地pymoo目录中，因为否则将不使用站点包中已安装的版本。 python -c " from pymoo.util.function_loader import is_compile

ML转换点MPS-CMAES混合 该存储库提供了本文中描述的代码，数据和结果 A. Bolufe-Rohler和Y. Yuan，《机器学习确定混合元启发式方法的过渡点》。 IEEE 2021进化计算大会 该存储库包含： 用于创建用于训练分类器和数据集的数据集的代码。 使用训练有素的模型预测过渡点的优化算法和两个模型（决策树和SVM） 一些优化结果和结果的扩展分析。 ***重要***模型（决策树）已压缩为多个卷，以满足Github的文件大小限制。 运行ML-hybrid之前，请解压缩。

CMAES（自适应协方差矩阵进化算法）的Matlab实现，包含动画演示的小Demo。

CMA-ES算法的C++包，里面有简单的使用说明注释，以及一个简单的函数拟合举例