算法学习与理解
文章平均质量分 81
鱼公主
这个作者很懒,什么都没留下…
展开
-
带你走进和声搜索算法(Harmony search )的世界!
和声搜索算法的理论和应用一、HS算法简介二、HS算法的基本理论和应用三、HS应用一、HS算法简介和声搜索(HS)算法首先由Geem等人在2001年提出,和其他元启发式算法一样,它受到音乐家即兴和声的基本原则的启发。该算法简单、搜索效率高。已成功应用于函数优化、机械结构设计、管网优化和数据分类系统优化等领域。二、HS算法的基本理论和应用音乐家在谱写和声时,通常会尝试记忆存储中各种音调的可能组合。这种寻找完美和声的过程实际上类似于寻找工程问题的最优解的过程。HS方法实际上是受和声即兴创作的工作原理的启原创 2021-04-10 11:34:45 · 3006 阅读 · 0 评论 -
支持向量机(SVM) VS 支持向量回归机(SVR)
线性支持向量回归1.SVM分类器2.支持向量回归于支持向量机的不同之处3. SVM 算法小结1.SVM分类器SVM 擅长解决复杂的中小规模的非线性问题,甚至在特征多余训练样本时也能有非常好的表现。但是随着样本量的增加,SVM模型的计算复杂度会呈m^2或m^3增加。SVM 算法涉及到非常多的概念:间隔、支持向量、核函数、对偶、凸优化等。在两类样本线性可分的情况下,感知机可以保证找到一个解,完全正确的区分这两类样本。但是解不唯一,(如图2)而且这些决策边界的质量也不相同,直观上来看这条线两边的间隔原创 2021-01-06 09:51:32 · 12533 阅读 · 2 评论 -
优化算法笔记|萤火虫算法理解及实现
萤火虫算法一、萤火虫算法背景知识二、萤火虫算法三、萤火虫算法实现四、算法分析一、萤火虫算法背景知识萤火虫算法(Firefly Algorithm, FA)是基于萤火虫的闪光行为,它是一种用于全局优化问题的智能随机算法,由Yang Xin-She(2009)提出。萤火虫通过下腹的一种化学反应-生物发光(bioluminescence)。这种生物发光是萤火虫求偶仪式的重要组成部分,也是雄性萤火虫和雌性萤火虫交流的主要媒介,发出光也可用来引诱配偶或猎物,同时这种闪光也有助于保护萤火虫的领地,并警告捕食者远离栖原创 2021-01-05 12:59:54 · 5417 阅读 · 1 评论 -
优化算法笔记|飞蛾扑火优化算法理解及实现
飞蛾扑火算法一、飞蛾扑火算法背景知识二、飞蛾扑火算法原理三、算法流程总结四、飞蛾扑火算法Python实现一、飞蛾扑火算法背景知识飞蛾扑火优化(Moth-flame optimization,MFO)是一种启发式搜索算法,由由Seyedali Mirjalili在2015年提出。该算法具有并行优化能力强,全局性优且不易落入局部极值的性能特征,逐渐引起了学术界和工程界的关注。飞蛾在夜间有一种特殊的导航方式:横向定向。即它会与月亮(光源)保持一定的角度飞行,从而能够保持直线的飞行路径,但是,这种方式只在光源原创 2021-01-05 09:43:46 · 4764 阅读 · 2 评论 -
优化算法|布谷鸟算法原理及实现
布谷鸟算法一、布谷鸟算法背景知识二、布谷鸟算法思想简介三、布谷鸟算法流程四、布谷鸟算法的Python实现五、布谷鸟算法matlab实现一、布谷鸟算法背景知识2009年,Xin-She Yang 与Suash Deb在《Cuckoo Search via Levy Flights》一文中提出了布谷鸟算法(简称CS)。假设每只布谷鸟一次只产一枚卵 ,并且宿主鸟发现外来鸟蛋后,就舍弃该鸟窝,另寻他地建造新的鸟窝 ,那么可以认为 :鸟窝=卵蛋=解,卵蛋是否能够成功被宿主鸟孵化并茁长成长是衡量解好坏的唯一标准 。原创 2021-01-04 20:54:34 · 12144 阅读 · 0 评论 -
优化算法|蚁群算法的理解及实现
蚁群算法1. 蚁群算法基本原理2. 蚁群算法实现1. 蚁群算法基本原理蚁群算法(Ant Colony Algorithm, ACA)由Marco Dorigo于1992年提出。蚁群原理:蚁群算法的基本原理来源于自然界觅食的最短路径原理。根据昆虫学家的观察,蚂蚁可以在没有任何提示的情况下找到从食物源到巢穴的最短路径,并且能在环境发生变化(如原有路径上有了障碍物)后,自适应地搜索新的最佳路径。蚂蚁是怎么做到这一点的呢?蚁群算法有自己的优化策略:正反馈的信息机制、信息素浓度的更新、蚂蚁对能够访问的路径原创 2021-01-03 22:19:57 · 8765 阅读 · 0 评论 -
算法优化笔记|蝙蝠算法的理解及实现
蝙蝠算法(Bat Algorithm,BA )理解及实现一、蝙蝠算法背景介绍二、蝙蝠算法原理三、蝙蝠模型构建四、蝙蝠算法的Python实现五、总结一、蝙蝠算法背景介绍蝙蝠算法是2010年杨教授基于群体智能提出的启发式搜索算法,是一种搜索全局最优解的有效方法。该算法基于迭代优化,初始化为一组随机解,然后迭代搜寻最优解,且在最优解周围通过随机飞行产生局部新解,加强局部搜索速度。该算法具有实现简单、参数少等特点。二、蝙蝠算法原理将种群中的蝙蝠个体映射为D维问题空间中的NP个可行解,将优化过程和搜索模拟原创 2021-01-03 10:49:11 · 12971 阅读 · 1 评论 -
MATLAB安装libsvm工具箱的方法
具体见网页参考链接 https://www.cnblogs.com/ran-chen/p/9462825.html原创 2021-01-02 22:19:10 · 450 阅读 · 0 评论 -
优化算法笔记|灰狼算法理解及Python实现
灰狼优化算法的理解和应用一、背景介绍二、算法原理三、构建算法数学模型四、Python实现GWO一、背景介绍灰狼优化算法(Grey Wolf Optimizer,GWO)由澳大利亚格里菲斯大学学者 Mirjalili 等人于2014年提出来的一种群智能优化算法。该算法受到了灰狼捕食猎物活动的启发而开发的一种优化搜索方法,它具有较强的收敛性能、参数少、易实现等特点。近年来受到了学者的广泛关注,它己被成功地应用到了车间调度、参数优化、图像分类等领域中。二、算法原理狼群中有α、β、γ三只狼做头狼,其中α是狼原创 2021-01-02 14:58:38 · 22359 阅读 · 32 评论 -
优化算法笔记|粒子群算法理解及Python实现
粒子群算法的理解及Python实现1.粒子群算法概述2 基本PSO算法流程图3 粒子群算法的Python实现1.粒子群算法概述粒子群算法 来源于对鸟群捕食模型的修正。假设在一个n维空间中,有一群鸟(m只)在捕食,食物位于n维空间的某个点上。假设鸟每次都能够判断离食物更近还是更远了,这样鸟在捕食的过程中会根据自己的经验以及鸟群中的 其他鸟的位置决定自己的速度,根据当前的位置和速度,可得下一刻的位置,这样每只鸟通过向自己和鸟群学习不断更新自己的速度和位置,直到最终获得食物,或者是离食物足够近。对于某原创 2021-01-01 10:14:31 · 1201 阅读 · 0 评论