- 博客(6916)
- 收藏
- 关注
RSS订阅
原创 重磅！智能优化算法炼丹炉app v1.0 上线！算法改进的福音！
还在苦于不知道怎么设计改进算法吗，有思路又不会代码，智能优化算法炼丹炉来帮你！！智能优化算法炼丹炉采用6阶段设计策略，用户可以融合不同的算法策略，设计一种新的改进智能优化算法！只需要鼠标点点想要的融合策略，一键生成改进智能优化算法！组合结果数万种，一切皆有可能！
2025-12-07 17:06:13
909
原创 《智能优化算法改进-从入门到MATLAB、Python编程实践》2025出版啦
《智能优化算法改进》新书出版，清华大学出版社推出粉丝5.5折京东专属优惠。该书以粒子群算法为核心，系统讲解多种智能算法改进策略，提供MATLAB和Python双语言实现，涵盖算法原理、测试集、评价指标、混沌映射理论及多种改进方法。全书7章内容适用于本科生、研究生及科研工作者，提供理论指导和实践参考。私信获取购买链接。
2025-08-28 06:51:27
819
1
原创 重磅推出！集成百种优化算法CEC基准测试求解器APP（python版）
为了方便读者，比较不同优化算法在基准测试函数集的性能，推出集成百种优化算法CEC基准测试求解器APP（python版），算法会不断更新集成! **该APP为一个exe，无需安装任何库，可直接点击运行！**该APP会不断加入新算法，持续更新。
2024-12-08 16:16:33
1000
2
原创 《智能优化算法与MATLAB编程实践》2023出版啦
第12章重点介绍智能优化算法的评价指标体系，选取部分测试函数和文中算法进行测试与分析，并给出完整MATLAB代码，供读者参考。《智能优化算法与MATLAB编程实践》介绍了国内外新研发的10种智能优化算法，对每种算法的灵感来源、实现过程、函数编程、案例应用都进行了细致描述并给出详细的MATLAB代码，使读者快速掌握智能优化算法的学习和应用方法。本书的主要特点为算法新颖，要素齐全，案例丰富，可移植性和实战性强。本书可作为本科生、研究生和教师的学习用书，也可以作为广大科研工作者、工程技术人员的参考用书。
2023-12-02 16:25:58
1101
1
原创 《智能优化算法及其MATLAB实现》书籍出版啦
各位小伙伴，我们撰写的《智能优化算法及其MATLAB实现》由电子工业出版社出版了！欢迎大家参考学习！书籍在京东，当当网均有销售，直接去对应网站搜索书名即可！
2022-03-07 22:26:25
3572
3
原创 智能优化算法改进算法 -附代码
智能优化算法改进算法摘要：为了方便大家对智能优化算法进行改进，复现多种智能优化改进算法供大家参考。所有代码均根据已经发表的文章，来复现方便大家参考别人的原理，代码会不定时更新。1.文献复现：基于变因子加权学习与邻代维度交叉策略的改进乌鸦算法Matlab代码 [1]赵世杰,高雷阜,于冬梅,徒君.基于变因子加权学习与邻代维度交叉策略的改进CSA算法[J].电子学报,2019,47(01):40-48.2.文献复现：自适应t 分布变异的缎蓝园丁鸟优化算法 Matlab代码 [1] 韩斐斐,刘升.基于自适
2020-11-23 16:59:57
25306
33
原创 智能优化算法：麻雀搜索算法-附代码
2020智能优化算法：麻雀搜索算法-附代码文章目录2020智能优化算法：麻雀搜索算法-附代码1.算法原理2.算法结果3.参考文献4.Matlab代码摘要：麻雀搜索算法(Sparrow Search Algorithm, SSA)是于2020年提出的。SSA 主要是受麻雀的觅食行为和反捕食行为的启发而提出的。该算法比较新颖，具有寻优能力强，收敛速度快的优点1.算法原理建立麻雀搜索算法的数学模型，主要规则如下所述：发现者通常拥有较高的能源储备并且在整个种群中负责搜索到具有丰富食物的区域，为所有的加
2020-09-27 16:34:00
129053
176
原创 智能优化算法：土拨鼠优化算法
草原土拨鼠算法(prairie dog optimization, PDO)是 2022年由 Ezugwu等提出的模拟草原土拨鼠生存行为的算法。
2025-11-19 06:43:52
1329
原创 智能优化算法：红尾鹰算法
红 尾 鹰 优 化 算 法 (Red-tailed Hawk Optimizer， RTH)是 由 Seydali Ferahtia 等 人 提 出 的 一 种 全 新 的 生 物 元 启 发 式 优 化 算 法 ， 受 红 尾 鹰 独 特 狩 猎 策 略 的 启 发 ，通 过 模 拟 其 高 空 翱 翔 、低 空 盘 旋 及 俯 冲 捕 食 的 三 阶 段 行 为 ，对 优 化 问 题 进 行 迭 代 求 解。
2025-11-18 06:54:11
1225
原创 智能优化算法：电鳗觅食优化算法
EEFO 是 Weiguo Zhao 等人于 2024 年受自然界电鳗群体觅食行为启发而提出的一种新型仿生元启发式 算法[5]。该算法通过对电鳗交互、休息、狩猎和迁移四种觅食行为进行数学建模求解待优化问题。
2025-11-18 06:49:55
236
原创 智能优化算法：星鸦优化算法
NOA 算法由 Mohamed 等于 2023 年提出，是一种基于 星鸦的觅食、储藏和粮食找回行为的仿生优化算法， 通过模拟星鸦的觅食行为，能够有效地在整个参数 空间内全局搜索，有助于避免局部最优解，提高找到 全局最优超参数组合的概率；
2025-11-14 07:28:32
1476
原创 智能优化算法：红鸢优化算法
Jalal Raeisi-Gahruei 等人 于 2022 年提出一种新元启发式算法–红鸢优化算 法，其具有结构和实现简单、参数少、收敛 速度快等优点。
2025-11-13 07:10:47
1036
原创 智能优化算法：白鹭群优化算法
白鹭群优化算法是 Chen 等人在 2022 年提出的受白鹭群体中捕食行为启发的群体智能优化算法[26]。ESOA 具有收敛性能强，参数少，算法实现简单等优点，该算法通过模拟自然界中雪白鹭（Snowy Egret） 和大白鹭（Great Egret）在捕食过程中分工、捕食行为，以获得待优化问题的最优解。
2025-11-13 07:06:54
656
原创 智能优化算法：精子群优化算法
SSO 算法非常简单，其灵感来自精子群通过 自然受精过程的行为。SSO 算法具有精确的利用能力，许多研究证 明了它的收敛速度、简单性和发现全局最优的能 力，既可以用于科学研究，也可以用于工程研 究。
2025-11-12 07:31:10
585
原创 智能优化算法：大白鲨优化算法
摘要：大白鲨优化算法（white shark Optimizer,WSO） 是一种基于种群的元启发式算法，通过借鉴大白鲨导航和觅食的行为构建优化模型得到。
2025-11-12 07:25:12
778
原创 基于指数分布算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用指数分布算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；
2025-11-03 06:53:36
867
原创 基于斑马算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用斑马算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。
2025-11-03 06:53:28
1132
原创 基于袋獾算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用袋獾算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。
2025-11-03 06:53:19
912
原创 基于减法平均算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用减法平均算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；
2025-11-03 06:53:10
1111
原创 基于鱼鹰算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用鱼鹰算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。
2025-11-03 06:53:02
1208
原创 基于驾驶训练算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用驾驶训练算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；
2025-10-31 06:47:26
1095
原创 基于浣熊算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用浣熊算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。
2025-10-31 06:47:16
595
原创 基于厨师算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用厨师算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。
2025-10-31 06:47:07
729
原创 基于卷积优化算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用卷积优化算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；
2025-10-31 06:46:58
535
原创 基于人工兔算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用人工兔算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。
2025-10-31 06:46:50
676
原创 基于协作搜索算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用协作搜索算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；
2025-10-30 06:42:05
830
原创 基于人工蜂鸟算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用人工蜂鸟算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；
2025-10-30 06:41:54
897
原创 基于蜣螂算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用蜣螂算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。
2025-10-30 06:41:45
983
原创 基于法医调查算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用法医调查算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；
2025-10-30 06:41:37
891
原创 基于孔雀算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用孔雀算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。
2025-10-30 06:41:30
817
原创 基于白鲸算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用白鲸算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。
2025-10-29 06:38:12
670
原创 基于侏儒猫鼬算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用侏儒猫鼬算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；
2025-10-29 06:37:57
849
原创 基于沙猫群算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用沙猫群算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。
2025-10-29 06:37:43
724
原创 基于战争策略算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用战争策略算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；
2025-10-29 06:37:32
986
麻雀算法python代码
2024-11-02
蝙蝠算法Matlab免费
2024-10-01
教与学算法Matlab免费
2024-10-01
缎蓝园丁鸟算法Matlab免费
2024-10-01
蝴蝶优化算法（BOA）Matlab免费
2024-09-10
绯鲵鲣优化算法Matlab免费
2024-09-10
郊狼算法Matlab免费
2024-09-10
多元宇宙算法Matlab免费
2024-09-10
蜻蜓优化算法Matlab免费
2024-09-10
樽海鞘群算法Matlab免费
2024-09-10
SSA麻雀搜索算法Matlab（免费）
2024-06-19
蝗虫优化算法 Matlab
2024-06-18
被囊群算法Matlab
2024-06-18
鲸鱼算法 Matlab代码
2024-06-18
灰狼算法Matlab代码
2024-06-18
飞蛾扑火算法 Matlab
2024-06-18
正余弦优化算法Matlab
2024-06-18
蜉蝣优化算法Matlab
2024-06-18
蚁狮优化算法Matlab
2024-06-18
斑点鬣狗算法(SHO) Matlab代码
2024-06-18
海鸥算法Matlab代码
2024-06-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人