cjd688的博客

灰狼优化算法（Grey Wolf Optimization Algorithm，GWO）是一种基于灰狼群体行为的启发式优化算法，用于求解最优化问题。GWO模拟了灰狼群体的社会行为，通过模拟狼群中的捕食行为来进行优化搜索。 GWO相比其他优化算法具有以下优势： 全局搜索能力：GWO具有较强的全局搜索能力，能够在搜索空间中广泛探索，并找到潜在的最优解。这得益于模拟狼群的社会行为和捕食行为，使得灰狼个体能够相互合作，从而提高搜索效率。 简单而高效：GWO的实现相对简单，易于理解和使用。它不需要复杂的数学模型和推导过程，而是通过简单的公式和规则来模拟狼群的行为，使得算法高效且易于实现。 自适应性和鲁棒性：GWO具有自适应性，可以根据问题的特性和搜索过程中的动态变化来调整狼群的行为。它能够适应不同问题的特点，以及搜索空间的变化，并在搜索过程中进行动态调整，增强了算法的鲁棒性。 较少的参数：GWO相比其他优化算法具有较少的参数需要调整。它主要包括狼群数量和迭代次数等几个参数，相对简单且不敏感。这减轻了算法使用者的负担，并提高了算法的易用性。

果蝇优化算法（Fruit Fly Optimization Algorithm，简称FOA）是一种模拟昆虫觅食行为的启发式优化算法，用于求解最优化问题。FOA的基本思想是模拟果蝇在搜索食物过程中的行为，通过群体智能和信息交流来寻找最优解。果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）具有以下几个优势： 简单而有效：FOA的基本原理和操作相对简单，易于理解和实现。它通过模拟果蝇觅食行为来进行搜索，不需要复杂的数学模型或推导过程，因此适用于各种问题和应用场景。 全局搜索能力：FOA具有较好的全局搜索能力，可以在搜索空间中广泛探索，找到潜在的最优解。这归功于果蝇个体之间的信息交流和合作行为，以及食物信息素的释放和挥发过程。 自适应性和鲁棒性：FOA具有自适应性，可以根据搜索过程中的信息更新策略来调整果蝇的行为。它可以适应不同问题的特性和搜索空间的变化，具有一定的鲁棒性。 适用性广泛：FOA适用于解决各种优化问题，包括连续优化问题和离散优化问题。它可以应用于函数优化、组合优化、参数优化等多个领域。

海洋捕食者算法(Marine Predators Algorithm,MPA)。该算法由Afshin Faramarzi等人)于2020年提出，主要模拟了海洋中适者生存的过程。在算法中，“猎物”、“捕食者”这两个身份对个体而言是变换的，且其独有的海洋记忆存储阶段与海洋漩涡影响阶段，因此思路较为新奇。 MPA优化过程分为三个主要阶段，考虑不同的速度比，同时模拟捕食者和猎物的整个生命周期： (1).在高速度比或猎物移动速度快于捕食者时; (2).单位速度比或捕食者和猎物以几乎相同的速度移动时; (3).低速度比且当捕食者的移动速度比猎物快时。 该算法可进行改进和应用。

正弦余弦算法（SCA）是一种新颖的随机优化算法，主要利用正弦函数和余弦函数的波动性与周期性来搜索和迭代，从而达到寻优目的(算法的步骤以及结构都相对简单)。主要步骤就是利用正余弦函数进行全局搜索，其中，最关键的是自适应参数 r1 ，控制算法从全局搜索到局部开发的转换。当 r1 的值较大时，算法倾向于全局搜索；当 r1 的值较小时，算法偏向于局部开发；可用于算法改进。

148个UCI整理好的数据集及相应代码，由matlab编写，可用于不同算法训练和测试。

麻雀搜索算法优化BP神经网络回归预测matlab代码

基于Levy飞行改进的麻雀搜索算法，由matlab编写

基于反向策略的麻雀搜索算法matlab代码

算法包括麻雀、蝴蝶、鲸鱼等群体智能算法的对比

医疗结构化面试

40种回归、分类、特征选择降维等方法合集