层次分析matlab代码分级贝叶斯模型，考虑了端成员的变异性和突然的光谱变化，以解混多时相高光谱图像 说明：与以下方法中描述的方法相关的Matlab代码 P.-A. Thouvenin，N.Dobigeon和J.-Y. Tourneret-分级贝叶斯模型，考虑了端成员的变异性和突然的光谱变化，以解开多时相高光谱图像， IEEE Trans。 计算想像，卷。 4，没有1，2018年3月，第32-45页。 作者： P.-A. Thouvenin，pierreantoine [dot] thouvenin [at] gmail [dot] com 实验：运行本文中报告的真实数据实验的代表性示例，配置并运行main_real_data.m脚本。 脚本main_extract_data.m可用于从data/raw_data文件夹中包含的原始数据文件中提取高光谱数据。 data文件夹中已经提供了数据提取后获得的.mat文件。 相关性：当前代码包括在以下出版物中描述并由其各自作者开发的MATLAB函数。 [1] JM Nascimento和JM Bioucas-Dias-顶点分量分析：一种快速混合高

PSO模型中的变异mutation函数；PSO模型中的变异mutation函数

灰狼优化算法(GWO)具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO(ODGWO).首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值(FCM)聚类优化.实验结果表明,在许多高维Benchmark函数(30维、50维和1000维)优化上,ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比,ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上, 与GWO、GWOepd和LGWO相比,ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上.

提出一种基于群体适应度方差自适应二次变异的差分进化算法。该算法在运行过程中根据群体适应度方差的大小，增加一种新的变异算子对最优个体和部分其他个体同时进行变异操作，以提高种群多样性，增强差分进化算法跳出局部最优解的能力。对几种典型Benchmarks函数进行了测试，实验结果表明，该方法能有效避免早熟收敛，显著提高算法的全局搜索能力。

多车场多车型最快完成车辆路径问题的变异蚁群算法

这是Image edge的演示程序% 检测使用变异自适应蚁群优化，CCI V 交易，LNCS 6910，2011，第 27-40 页。

露蕊乌头（Aconitum gymnandrum）花蜜量的变异：开花时间及雌雄功能期的影响，李晓晖，赵志刚，造成花蜜量差异的因素有很多。为了确定植株和花的哪些特性及其是如何导致花蜜量个体间和个体内的变异的，在这项研究中，我们以毛

利用遗传算法对电动汽车有序充电进行优化；优化目标包括充电费用最低，充电时间达到要求（电动汽车充到足够的电） 考虑电动汽车充电对电网负荷的影响，使负荷峰谷差最小 BY_main.m 指的是变异遗传算法的运行主函数 JY_main.m 指的是精英遗传算法的运行主函数

要创建经验半变异函数，确定所有位置对值平方差。将这些位置对绘制成图后（y 轴坐标为平方差的一半，x 轴坐标为位置间距），该图称为半变异函数云。

alamut batch为强大的变异注释软件。为变异检测、突变分析和临床基因诊断工作者提供变异注释工具，内部集成多个权威数据库