内容概要：本文介绍了基于深度混合核极限学习机（DHKELM）的回归预测方法及其优化算法。DHKELM结合了极限学习机和混合核技巧的优点，适用于处理复杂的非线性问题。文中详细解释了DHKELM的工作原理，包括非线性变换、特征提取和降维。优化算法部分主要介绍了北方苍鹰NGO算法以及其他替代方法，如梯度下降和遗传算法。此外，还提供了Python代码示例，展示了模型的训练和预测过程。最后，通过对多个数据集的实验验证，证明了DHKELM在非线性问题处理方面的优越性能。 适合人群：从事机器学习、数据分析和人工智能领域的研究人员和技术人员。 使用场景及目标：适用于需要处理复杂非线性数据的回归预测任务，旨在提高预测的准确性和稳定性，缩短模型训练时间。 其他说明：尽管DHKELM表现出色，但在处理高维数据时可能需要额外的特征提取方法，优化算法的选择也会显著影响模型性能。未来研究方向包括探索DHKELM在更多领域的应用以及优化方法的改进。

为提高多元宇宙优化算法(MVO)的全局探索和局部开采性能,提出一种耦合横纵向个体更新策略的改进MVO算法(IMVO).横向更新策略是建立在宇宙种群层级的一种水平迁移进化机制,通过引入加权学习因子保证子代个体同时向多个父代宇宙继承位置信息,以改善种群的个体多样性和算法全局探索性能,适定性修正虫洞存在概率表达以保证种群个体间的充分信息交互;纵向更新策略是基于宇宙个体层级的一种纵向自我学习进化机制,根据最优宇宙历史信息,通过模拟认知的历史遗忘记忆特性实现记忆均值邻域的再开采,以增强算法局部开采性能.最后通过数值实验验证不同加权学习因子函数对算法性能的差异性影响,改进算法的优化性能和算法稳健性等.

Solar Sail 问题求解器，基于元启发式优化算法：GWO、WOA 等(c#)

paradiseo启发式优化框架

paradiseo启发式优化框架

为了开发一种高效，受自然启发的优化算法，我们在此提出了一种新颖的元启发式方法，称为晶体结构算法（CryStAl）。 该方法的主要灵感来自从基础添加到晶格点所形成的晶体结构的基本原理，这是一种自然现象，可以从组分（即原子，分子或离子）的对称排列中看出。晶体矿物，例如石英。 原始纸： 晶体结构算法（CryStAl）：一种元启发式优化方法Siamak Talatahari，迈赫迪阿齐兹，穆罕默德Tolouei，巴巴克Talatahari和Pooya Sareh IEEE访问

所提出的范式模拟了乌鸦-杜鹃-猫系统模型中捕食者（猫）、寄生虫（杜鹃）和宿主（乌鸦）之间的相互作用。 因此，这个混合框架结合了猫群优化（CSO）、布谷鸟搜索（CS）和乌鸦搜索算法（CSA）的相对优势。 此代码演示了 PPA 如何适用于 23 个常用基准。 更多信息请参考： Mohamed AAA、Hassan SA、Hemeida AM 等人（2019 年）。 寄生捕食算法（PPA）：一种新的特征选择方法。 Ain Shams Engineering Journal. DOI: http://dx.doi.org/10.1016/j.asej.2019.10.004 https://www.sciencedirect.com/science/article/pii/S2090447919301406

遗传算法源代码matlab程序qopt 量子启发式进化算法求解优化问题 该存储库包含一些由Robert Nowotniak在2010-2015年间开发的未发布的源代码。 它们用于研究高级随机搜索算法（主要是量子启发式进化和遗传算法以及其他种群方法），以进行数值和组合优化。 这些程序和算法是用不同的编程语言开发的：C，C ++，带有Cython接口的Python，CUDA C内核，助手Bash shell脚本以及某些算法，甚至在Matlab中也是如此。 源代码库的主要内容： Algorithms / purepython / -纯Python中的算法实现（最慢的初始POC实现） Algorithms / * 。pyx-Cython中的iQIEA，MyRQIEA2，QIEA1，QIEA2，rQIEA算法实现 C / -一些算法和测试问题在C ++中的实现 CUDA / -CUDA C计算内核在GPGPU中实现了一些算法（极快，在多GPU环境中可提高数百倍的速度） 问题/ -不同的数值优化函数，背包问题，SLAM，编码不同组合问题的SAT（布尔可满足性问题），以及来自CEC2005，CEC2

Aquila Optimizer (AO) 是一种新颖的基于种群的优化方法，其灵感来自于 Aquila 在捕捉猎物过程中的自然界行为。 主要参考文献： Abualigah, L., Yousri, D., Elaziz, MA, Ewees, AA, A. Al-qaness, MA, Gandomi, 啊，Aquila 优化器：一种新颖的元启发式优化算法，计算机与工业工程(2021), doi: https://doi.org/10.1016/j.cie.2021.107250 Researchgate 提供的代码： https : //www.researchgate.net/publication/350411564_Matlab_Code_of_Aquila_Optimizer_A_novel_meta-heuristic_optimization_algorithm

天鹰座优化器（AO）是一种新颖的基于种群的优化方法，其灵感来自天鹰座在捕捉猎物过程中的自然行为。 主要参考资料：Abualigah，L.，Yousri，D.，Elaziz，MA，Ewees，AA，A。Al-qaness，MA，Gandomi， AH，Aquila Optimizer：一种新颖的元启发式优化算法，计算机与工业工程（2021年），doi： https ： //doi.org/10.1016/j.cie.2021.107250 可在Researchgate上找到的代码： https : //www.researchgate.net/publication/350411564_Matlab_Code_of_Aquila_Optimizer_A_novel_meta-heuristic_optimization_algorithm