顺序拟合 动机 如果我们有一个只能采样的未知函数f(x) ，我们可以选择一个以参数向量p特征的已知函数g(x,p) 。 用最小二乘法，我们可以找到p最小化的总和-的平方误差\sum_{x\in X}(g(x,p) - f(x))^2以设定的采样点的X 。 如果评估f昂贵，那么仔细选择采样点符合我们的利益。 假设我们的模型已经很不错了，我们可以使用它来找出下一步要采样的地方。 猜测要采样的点是x^* ，其中g(x^*,p)的p梯度尽可能大（这是我们最有可能从采样中学到的东西）的地方。 我们还希望避免在同一位置多次采样。 该程序包实现了这种顺序采样方法。 使用范例 using SequentialFit, Plots gaussian (x,mu,sigma) = exp ( - ((x - mu) / sigma) ^ 2 ) function expensiveFunction (x

GeneticAlgorithms.jl, 在Julia中，编写遗传算法的轻量级框架 GeneticAlgorithms.jl 这个轻量级框架简化了创建遗传算法并同时运行它们的过程。基本用法你有什么问题？假设你有一个简单的等式 a 2b 3c 4d 5e = 42 你想找到一个解决方法。创建模

代理人 替代模型是一种近似方法，它模仿计算上昂贵的模拟的行为。 用更多的数学术语：假设我们正在尝试优化函数f(p) ，但是f每次计算都非常昂贵。 可能是我们需要为每个点求解PDE或使用高级数值线性代数机制的情况，这通常很昂贵。 我们的想法是再开发一个替代模型g近似于f通过对从评估收集以前的数据训练f 。 代理模型的构建可以看作是一个三步过程： 样品选择 替代模型的构建 代理优化 当前所有可用的采样方法： 网格 制服 索博尔 拉丁超立方体 低差异 克罗内克 金的 随机的 当前所有可用的代理模型： 克里格 使用Stheno进行克里金法 径向基础 温德兰 线性的 二阶多项式 支持向量机（等待LIBSVM分辨率） 神经网络 随机森林 洛巴切斯基 反距离 多项式展开 保真度可变 专家混合（等待GaussianMixtures软件包在v1.5上工作） 地球 梯度增强克里格 当前所有可用的优

EcoBase.jl

CompatHelper.jl：自动更新Julia程序包的依存关系的[compat]条目