说明：是属于人工蜜蜂群优化算法的源代码，有助于自此基础上进行编写，和更好理解人工群优化算法

说明：牛津大学 优化方法课件 optimization

说明：PSO与GA混合优化算法，可实现比单纯使用PSO或者GA算法更好的优化效果

说明：基于模拟退火的粒子群算法，基于自然选择的粒子群算法，基于杂交的粒子群算法

说明：多变量预测控制算法的matlab实现，欢迎下载交流。

说明：SEO（Search Engine Optimization），汉译为搜索引擎优化，为近年来较为流行的网络营销方式，主要目的是增加特定关键字的曝光率以增加网站的能见度，进而增加销售的机会。分为站外SEO和站内SEO两种.SEO的主要工作是通过了解各类搜索引擎如何抓取互联网页面、如何进行索引以及如何确定其对某一特定关键词的搜索结果排名等技术，来对网页进行相关的优化，使其提高搜索引擎排名，从而提高网站访问量，最终提升网站的销售能力或宣传能力的技术。

说明：高级优化算法 粒子群优化算法(求解无约束优化问题) PSO(基本粒子群算法)

说明：自己用Matlab编写的最优化算法,包括0.618,梯度法,共轭梯度法,罚函数法.

说明：Particle Swarms Optimization

说明：Yuri Boykov s and Vladimir Kolmogorov s work on graph cuts and MRF optimization has been extensively cited in the academia, and their maximum flow implementation is widely used in computer vision and image processing research.

说明：这是一个采用粒子群算法优化bp神经网络权值的MATLAB程序

说明：graph cut 优化算法的最新版本，包含和Matlab接口，已编译，以及自己的一个简单测试例子程序MyTest，还有一篇经典论文及自己的读书笔记

说明：粒子群算法（PSO）解决旅行商问题（TSP）的matlab程序。

说明：数值优化的各种算法，包括牛顿法，拟牛顿，遗传算法，等等。

说明：利用线性规划法编写的MATLAB程序，用于电力系统无功优化，用于学习交流

说明：我备战2010数学建模美赛所精心准备的算法资料，一共13个算法。应该说是目前比较全的算法集了。每个算法由一个VC6例子实现，来解决一个问题。其中一些是自己编写，其它的也是由网上找到后经过修改编译通过的。比赛结果还不错，一个M，现在把资料共享出来，希望对大家有所帮助，算法主要有模拟退火，遗传算法，蒙特卡罗算法，蚁群算法，粒子群算法，元胞自动机，Dijkstra，最小生成树算法，二分图最大匹配算法，最大流算法，动态规划算法，分支定界法，排队论算法，决策论算法等，我写了个说明文件，列的挺详细的

说明：用粒子群算法实现图像匹配，图像可以自己更换，建议先用matlab自带图像进行调试

说明：Derivative-based Optimization using The Gradient Descent

说明：matlab ant colony optimization

说明：只能制造技术车间调度程序，采用遗传算法对工序进行安排和寻优。

说明：optimization in power system

说明：用粒子群算法进行无功优化，比较实用，希望对大家有帮助，14节点的，

说明：改进的随机微粒群算法的C++源程序，用于计算Goldstein-Price函数的最小值

说明：凸分析基础 中文教材。纯粹这方面的资料不多（多为凸优化之类），中文的书籍更难找，有用该方面知识的同行多多交流。

说明：求解约束优化问题的改进粒子群优化算法，希望对大家有所帮助。

说明：基于改进粒子群算法的节能调度下多目标负荷最优分配基于改进粒子群算法的节能调度下多目标负荷最优分配

说明：基于改进粒子群算法的多目标最优潮流计算 基于改进粒子群算法的多目标最优潮流计算

说明：求解双层规划问题常用的算法有极点算法、直接搜索法、下降法和非数值优化方法(如模拟退火算法、遗传算法等)，遗传算法的求解思路是：首先对上层的决策变量编码，代人下层规划模型，通过求解下层模型的决策变量值，代入上层模型计算适应度值，然后进行交叉、变异、选择操作，最后求出最优解。

说明：LM算法 老外写的The Levenberg-Marquardt (LM) algorithm is the most widely used optimization algorithm. It outperforms simple gradient descent and other conjugate gradient methods in a wide variety of problems. This document aims to provide an intuitive explanation for this algorithm. The LM algorithm is fi rst shown to be a blend of vanilla gradient descent and Gauss-Newton iteration. Subsequently, another perspective on the algorithm is provided by considering it as a trust-region method

说明：ant colony optimization