智能算法之双曲正弦余弦优化器(SCHO),原理公式详解,附matlab代码

【代码】二维n锚点多目标的AOA(到达角度)定位,距离辅助增强精度。订阅专栏后可查看完整代码 本文基于多基站AOA角度观测与距离辅助信息,实现多个静态目标的二维定位,对比纯AOA最小二乘与AOA+距离辅助定位性能。通过MATLAB仿真,绘制真实与估计位置图、分轴RMSE及误差统计图,输出各目标坐标与误差指标。支持基站与目标数量、位置分布、噪声参数自定义,订阅专栏可获取完整代码,直接运行即可获得结果。 阅读详情

双曲正弦余弦优化器(Sinh Cosh Optimizer,SCHO)是一种新型元启发式算法,该算法基于双曲正弦和双曲余弦特性的数学启发,具有进化能力强、搜索速度快、寻优能力强的特点。该成果于2023年10月发表在SCI一区,Top顶刊Knowledge-Based Systems上。

f28821a57dd618e94f6d9f3fdb44972b.png

SCHO的灵感来源有三点。首先,如何在勘探和开发之间取得平衡是一个巨大的挑战,其次,面对复杂多样的问题,仍需要提出新的元启发式算法。最后,基于数学启发的优化算法的提出,如sin、cos算法和算术优化算法(AOA),为研究元启发式算法指明了一个新的可能方向。双曲函数是三角函数中常见的一类,其中sinh和cosh是最基本的双曲函数。元启发式算法可以利用cosh和sinh的两个特性。一是cosh值总是大于1,这是勘探与开发的关键边界,另一种是sinh值在[−1,1]区间内,且接近于零,可以提高勘探开发效率。

算法原理

(1)初始化阶段

与其他元启发式算法一样,SCHO也从随机初始化一组候选解开始。初始化的候选解的数学公式如下所示:  其中X是由以下公式得到的随机候选解集合,  表示第i个解的第j个位置,N表示候选解的个数,dim为问题维数。  其中rand表示[0,1]中的随机值,ub和lb分别为变量的上界和下界。

(2)勘探阶段

在本研究中,探索下一个位置仍然与它的位置有关,并得到了迄今为止的最优解。在优化过程中,探索分为两个阶段,应该存在于以后的迭代中,以逃避局部最优。在这两个阶段之间切换的值通过以下数学公式:  其中Max迭代表示迭代的最大值,floor是MATLAB中向下舍入的函数,ct是用于设置两相切换点的系数。在第一阶段中,在早期的迭代中,搜索代理位置附近的搜索空间外部将被探索,然后搜索代理将逐渐接近获得的最佳解。第一阶段勘探位置更新函数的数学公式如下所示:  其中t表示当前迭代,  、  分别表示第i个解在当前迭代和下次迭代中的第j个位置;  为到目前为止得到的最优解的第j个位置,r1,r2为区间[0,1]内的随机数;  为第一勘探阶段  的权重系数,控制第一阶段候选解远离自身,逐渐向最优解探索,通过以下公式计算得到。  其中  为单调递减函数,由以下公式计算,  和  为[0,1]中的随机数;  是控制第一阶段勘探精度的敏感系数,固定为0.388;  从一个很小的值逐渐减小,这说明了自身位置对于位置更新的重要性,因此,候选解在第一阶段逐渐远离自己,然后寻找最优解。其中  为控制勘探精度的敏感系数,根据本案例实验,其值为0.45。  在第二阶段的探索中,搜索代理几乎不受最佳解的影响,因此它们基于当前位置进行无方向性的探索。其位置更新函数的数学公式如下所示:  其中,ε是一个极小的正数,根据本文实验,ε为0.003。W2为第二勘探阶段最佳的  的权重系数,  乘以ε大大削弱了最优解对当前解的影响,从而导致对  周围的候选解进行无向随机勘探,W2由以下公式计算得到:  其中r6为[0,1]中的随机数,a2为用以下公式计算得到的单谐递减函数:  式中,n为控制第二阶段勘探精度的敏感系数,根据本文实验,取值为0.5。

(3)开发阶段

为了充分利用搜索空间,开发分为两个阶段,在整个迭代过程中进行。在第一个开发阶段,开发了X的邻近空间,因此开发公式如下表示:  其中  ,  属于区间[0,1]中的随机数。  是第一阶段开发的权重系数,它控制候选解从近到远地开发其周围的搜索空间,其数学公式如下所示: 其中  ,  是[0,1]中的随机数,a1已由上面公式定义,u与第一勘探阶段相同,固定为0.388。

在开发的第二阶段,候选解将围绕迄今为止获得的最优解进行深度开发,并且围绕最优解的开发强度将随着迭代次数的增加而增加。位置更新函数如下所示:  其中  、  是区间[0,1]中的随机数,  控制第二开发阶段的程度,它的绝对值在后面的迭代中逐渐增加,增加了开发程度。方程中绝对值前面的系数用于保持候选解的多样性。

(4)有界搜索策略

为了充分利用潜在的搜索空间,在SCHO中采用了一种类似于后期动物狩猎的策略,称为有界搜索策略。通过在早期迭代中探索整个搜索区域,可以找到潜在的搜索空间。为了充分挖掘和利用潜力空间,首先将所有候选解随机初始化到该潜力空间中,然后对该空间进行深度挖掘和利用。该策略的每一开始都是通过以下公式计算:  其中k是从1开始的正整数,  由以下公式计算,  分别表示开始当前和下一个有界搜索策略的迭代次数。α是一个敏感系数,它控制着潜空间深部勘探开发的精度,本实验通过实验将α取为4.6。  其中β控制启动有界搜索策略的值,并设置为1.55。当SCHO每次都使用有界搜索策略时,优化问题的上界和下界将使用以下公式计算: 

其中  和  表示潜在搜索空间的上界和下界,  表示次优解的第  个位置。

 结果展示

以为CEC2005函数集为例,进行结果展示:

efe325033b6a6e6ee398eb9563ca8014.png

6bfd211679d2ac0d1c300d0e653719e4.png

2fb007571d717495bd667cbe4778a1be.png

8c0991a1536c9f209b3105a86adab036.png

5c5f954d3197dd681ba6b3c66e755f65.png

 MATLAB核心代码

function [Destination_fitness,Destination_position,Convergence_curve]=SCHO(N,Max_iteration,lb,ub,dim,fobj)


Destination_position=zeros(1,dim);
Destination_fitness=inf;
Destination_position_second=zeros(1,dim);
Convergence_curve=zeros(1,Max_iteration);
Position_sort = zeros(N,dim);
%Initialize SCHO parameters
u=0.388;
m=0.45;
n=0.5;
p=10;
q=9;
Alpha=4.6;
Beta=1.55;
BS=floor(Max_iteration/Beta);
ct=3.6;
T=floor(Max_iteration/ct);
BSi=0;
BSi_temp=0;
ub_2=ub;
lb_2=lb;
%Initialize the set of random solutions
X=initialization(N,dim,ub,lb);
Objective_values = zeros(1,size(X,1));
% Calculate the fitness of the first set and find the best one
for i=1:size(X,1)
    Objective_values(1,i)=fobj(X(i,:));
    if Objective_values(1,i)<Destination_fitness
        Destination_position=X(i,:);
        Destination_fitness=Objective_values(1,i);
    end
end
Convergence_curve(1)=Destination_fitness;
t=2; 
%Main loop
while t<=Max_iteration    
    for i=1:size(X,1) % in i-th solution
        for j=1:size(X,2) % in j-th dimension
            %update A by using Eq. (17)
            cosh2=(exp(t/Max_iteration)+exp(-t/Max_iteration))/2;
            sinh2=(exp(t/Max_iteration)-exp(-t/Max_iteration))/2;
            r1=rand();
            A=(p-q*(t/Max_iteration)^(cosh2/(sinh2)))*r1; 
            % enter the bounded search strategy
            if t==BSi
ub_2=Destination_position(j)+(1-t/Max_iteration)*abs(Destination_position(j)-Destination_position_second(j));
lb_2=Destination_position(j)-(1-t/Max_iteration)*abs(Destination_position(j)-Destination_position_second(j));
                if ub_2>ub
                    ub_2=ub;
                end
                if lb_2<lb
                    lb_2=lb;
                end
                X=initialization(N,dim,ub_2,lb_2);                
                BSi_temp=BSi;
                BSi=0;
            end
        % the first phase of exploration and exploitation    
        if t<=T%3.6-3.62  
            r2=rand();
            r3=rand();
            a1=3*(-1.3*t/Max_iteration+m);
            r4=rand();
            r5=rand();
            if A>1
                sinh=(exp(r3)-exp(-r3))/2;
                cosh=(exp(r3)+exp(-r3))/2;
                W1=r2*a1*(cosh+u*sinh-1);
                if r5<=0.5
                    X(i,j)=Destination_position(j)+r4*W1*X(i,j);
                else
                    X(i,j)=Destination_position(j)-r4*W1*X(i,j);  
                end                
            else
                sinh=(exp(r3)-exp(-r3))/2;
                cosh=(exp(r3)+exp(-r3))/2;
                W3=r2*a1*(cosh+u*sinh);
                if r5<=0.5
                    X(i,j)=Destination_position(j)+r4*W3*X(i,j);
                else
                    X(i,j)=Destination_position(j)-r4*W3*X(i,j);  
                end
            end
        else
            % the second phase of exploration and exploitation
            r2=rand();
            r3=rand();
            a2=2*(-t/Max_iteration+n);
            W2=r2*a2;
            r4=rand();
            r5=rand();
            if A<1
                sinh=(exp(r3)-exp(-r3))/2;
                cosh=(exp(r3)+exp(-r3))/2;
                X(i,j)= X(i,j)+(r5*sinh/cosh*abs(W2*Destination_position(j)-X(i,j)));
            else
                if r4<=0.5
                    X(i,j)=X(i,j)+(abs(0.003*W2*Destination_position(j)-X(i,j)));
                else
                    X(i,j)=X(i,j)+(-abs(0.003*W2*Destination_position(j)-X(i,j)));  
                end
            end 
        end
        end
        BSi=BSi_temp;
    end
    for i=1:size(X,1)         
        % Check if solutions go outside the search spaceand bring them back
        Flag4ub=X(i,:)>ub_2;
        Flag4lb=X(i,:)<lb_2;
        X(i,:)=(X(i,:).*(~(Flag4ub+Flag4lb)))+(ub_2+lb_2)/2.*Flag4ub+lb_2.*Flag4lb;        
        % Calculate the objective values
        Objective_values(1,i)=fobj(X(i,:));
%         % Update the destination if there is a better solution
        if Objective_values(1,i)<Destination_fitness
            Destination_position=X(i,:);
            Destination_fitness=Objective_values(1,i);
        end
    end
    %find the second solution
    if t==BS
        BSi=BS+1;
        BS=BS+floor((Max_iteration-BS)/Alpha);
        temp = zeros(1,dim);
        temp2 = zeros(N,dim);
 %sorting
        for i=1:(size(X,1)-1)
          for j=1:(size(X,1)-1-i)
            if Objective_values(1,j) > Objective_values(1,j+1)
              temp(1,j) = Objective_values(1,j);
              Objective_values(1,j) = Objective_values(1,j+1);
              Objective_values(1,j+1) = temp(1,j);
              temp2(j,:) = Position_sort(j,:);
              Position_sort(j,:) = Position_sort(j+1,:);
              Position_sort(j+1,:) = temp2(j,:);   
                end
            end
        end
        Destination_position_second=Position_sort(2,:);%the second solution
    end
    Convergence_curve(t)=Destination_fitness;
    t=t+1;
end

参考文献

[1]  Bai J, Li Y, Zheng M, et al. A sinh cosh optimizer[J]. Knowledge-Based Systems, 2023, 282: 111081.

点击下方卡片关注,获取更多代码

智能优化算法:正余弦优化算法-附代码 智能优化算法:正余弦优化算法-附代码 文章目录智能优化算法:正余弦优化算法-附代码1.算法原理2.算法流程3.算法结果4.参考文献5.MATLAB代码 摘要:正 余 弦 优 化 算 法 ( Sine Cosine Algorithm,SCA) 是Seyedali Mirjalili等于2016年提出的一种新型智能优化算法,在算法中会生成多个初始随机候选解,并使它们基于正弦和余弦的数学模型向外波动或向最优解的方向波动,利用多个随机变量和自适应变量来计算当前解所在位置,从而可以搜索空间中的不同区域,有效地避免局 阅读详情

相关推荐

避坑指南:Livox Mid-360双雷达SLAM配置中,那些官方文档没说的细节(IP设置、话题分离与时间同步)

本文详细解析了Livox Mid-360双雷达SLAM配置中的关键优化点,包括IP设置、话题分离与时间同步等官方文档未提及的细节。通过实战案例和代码示例,帮助开发者解决点云错位、IMU数据混乱等问题,提升SLAM系统的稳定性和精度。特别针对网络架构设计、驱动修改和时间同步机制提供了专业指导。

weixin_29745609的博客 426

SCI一区TOP|双曲正弦余弦优化算法(SCHO)原理及实现【免费获取Matlab代码】

2023年,J Bai受到双曲正弦余弦函数启发,提出了双曲正弦余弦优化算法(Sinh Cosh optimizer, SCHO)。为了充分利用潜在的搜索空间,SCHO在后期采用了一种类似于动物狩猎的策略,称为有界搜索策略。为了充分利用搜索空间,将开发分为两个阶段,并在整个迭代中进行。其中β控制启动有界搜索策略的值,并设置为1.55。W2控制第二开采阶段的程度。其绝对值在以后的迭代中逐渐增大,开发程度也随之增大。

Logic_9527的博客 1530

如何将一个向量投影到一个平面上_线性代数19——投影矩阵和最小二乘

一维空间的投影矩阵  先来看一维空间内向量的投影:  向量p是b在a上的投影,也称为b在a上的分量,可以用b乘以a方向的单位向量来计算,现在,我们打算尝试用更“贴近”线性代数的方式表达。  因为p趴在a上,所以p实际上是a的一个子空间,可以将它看作a放缩x倍,因此向量p可以用p = xa来表示,只要找出x就可以了。因为a⊥e,所以二者的点积为0:  我们希望化简这个式子从而得出x:  x是一个实数...

weixin_39741101的博客 5232

2023年智能算法之双曲正弦余弦优化器(SCHO),原理公式详解,附matlab代码

双曲正弦余弦优化器(Sinh Cosh Optimizer,SCHO)是一种新型元启发式算法,该算法基于双曲正弦和双曲余弦特性的数学启发,具有进化能力强、搜索速度快、寻优能力强的特点。该成果于2023年10月发表在SCI一区,Top顶刊Knowledge-Based Systems上。SCHO的灵感来源有三点。首先,如何在勘探和开发之间取得平衡是一个巨大的挑战,其次,面对复杂多样的问题,仍需要提出...

淘个代码 2389

Informer:比Transformer更有效的长时间序列预测

目录 AAAI 2021最佳论文:比Transformer更有效的长时间序列预测 Background Why attention Methods:the details of Informer Solve_Challenge_1:最基本的一个思路就是降低Attention的计算量,仅计算一些非常重要的或者说有代表性的Attention即可,一些相近的思路在近期不断的提出,比如Sparse-Attention,这个方法涉及了稀疏化Attention的操作,来减少Attention计算量,然后涉及的

To be a better man 1万+

学术版GPT安装教程——保姆版(附带原生GPT注册教程)

学术版GPT图文安装教程

DBenD的博客 2万+

智能优化算法-双曲正弦余弦优化算法Sinh Cosh Optimizer(附Matlab代码)

原文研究基于双曲正弦和双曲余弦特性的数学启发,提出了一种新的元启发式算法双曲正弦余弦优化算法(Sinh Cosh Optimizer,SCHO)。SCHO包括四个步骤:两个不同的探索和开发阶段、有界搜索策略和切换机制。该成果发表在中科院1区top SCI期刊Knowledge-Based Systems。

weixin_44028734的博客 764

Mid-360激光雷达与Fast-LIO2实战:从环境搭建到实时点云建图

本文提供Livox Mid-360激光雷达与Fast-LIO2算法从零开始的实战教程。详细介绍了在Ubuntu和ROS环境下进行系统配置、依赖安装、硬件连接与网络设置的完整流程,并指导如何运行算法实现实时点云建图与可视化,最后总结了关键参数调优与常见问题排查方法。

weixin_29300241的博客 153

【智能优化算法】正余弦优化算法Sinh Cosh附matlab代码

很高兴能够在这篇博客文章中向大家介绍一项新的技术:Jianfu Bai, Yifei Li, Mingpo Zheng, Samir Khatir, Brahim Benaisa, Laith Abualigah, Magd Abdel Wahab, A Sinh Cosh Optimizer,该技术将于2023年在《Knowledge-Based Systems》杂志上发表。这项技术的研究人员来自多个国家和地区,他们在优化算法方面有着丰富的经验和知识。

m0_57702748的博客 1050

GNSS数据处理(一)——开源软件RTKLIB与G-Nut/Anubis实战入门

本文详细介绍了GNSS数据处理的开源软件RTKLIB与G-Nut/Anubis的实战入门指南。从软件安装、数据获取到静态短基线解算,逐步讲解操作技巧与常见问题排查,帮助测绘与地质监测人员快速掌握GNSS数据处理技术,提升工作效率。

weixin_30733003的博客 139

eCognition易康操作教程(二):多尺度分割基于多光谱数据构建规则集,结合DSM高程数据提取建筑物、树木和绿地

一、数据 数据来源:教程中的实验数据,共包含RGB三个波段,还有数字地表模型(以下简称DSM)文件。 图一 RGB影像 数据特征:数据范围较小,要素种类少,仅包含较多的建筑和大片的绿地。由于建筑的房顶使用的材料和材料颜色不同,所以建筑的光谱特征没有规律,是不连续的特征。而绿地的光谱特征则十分容易分辨。 但是建筑通常具有规则的形状,而且建筑相比于周围其他要素...

蒹葭苍苍 8306

AI核心功能解析:问答、编码与逻辑推理

作为一个人工智能助手,我的核心功能是基于海量数据训练而成的自然语言处理与逻辑推理能力,旨在为用户提供高效、准确的信息解答与任务辅助。在技术实现层面,我通过 Transformer 架构理解上下文语义,能够像 MATLAB 处理矩阵运算 或 CANoe 处理总线报文 那样,精准执行用户指令。相较于单一功能软件,我的优势在于跨域知识的融合能力。例如,我可以结合示波器的波形捕获原理 与 MATLAB 的绘图功能 ,为用户设计一套完整的信号处理教学方案;

一名网络界的大虾 153

Mamba SSM 实战:IMDb 文本分类 + Mamba-ssm 全流程

Mamba SSM 文本分类链路:IMDb 二分类 → MambaLMHeadModel (d_model=256, n_layer=8, d_state=16, exp2=2) → 末 token 分类头。5 epoch 达 89.2% 准确率 (与 BERT-base 持平), 但显存降低 44% (3.5GB vs 6.2GB)。建议序列长度 ≥ 1024 再选 Mamba, 短序列 (< 512) 用 BERT 更高效。扩展时注意d_state。

m0_71589036的博客 59

物理信息神经网络与扩展物理信息神经网络(PINN/XPINN)求解功能梯度材料稳态—瞬态热传导,MATLAB代码

物理信息神经网络与扩展物理信息神经网络(PINN/XPINN)求解功能梯度材料稳态—瞬态热传导,MATLAB代码

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 296

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

MATLAB 与 Python 在科学计算中的实际差异

本文围绕 MATLAB 与 Python 在科学计算中的实际应用展开比较,分析两者在软件生态、矩阵运算、数值计算性能、开发环境及工程部署方面的差异。结合代码示例,介绍两种语言在矩阵运算和数组处理中的不同实现方式,并讨论影响程序运行效率的主要因素。在此基础上,结合控制工程、数值分析、数据科学和机器学习等研究方向,分析两种语言各自的适用场景,并介绍跨语言协同开发的基本思路。希望通过本文的讨论,帮助读者更深入地理解两种工具的特点,为科研工作中的技术选型提供参考。

weixin_47502228的博客 682

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

MATLAB 优秀开源项目与工具箱推荐:涵盖通信、图像处理、脑机接口等九大领域

本文梳理了无线通信、图像处理、脑机接口等九个领域的代表性MATLAB开源项目,涵盖信道建模(QuaDRiGa)、智能表面仿真(SimRIS)、视觉特征提取(VLFeat)、三维网格生成(Iso2Mesh)及脑电信号分析(EEGLAB、BCILAB)等关键技术。通过解析其数学模型与源码实现,揭示科研工具如何将理论算法转化为可复现的工程计算流程,为科研人员提供高效、可扩展的开发参考。

weixin_47502228的博客 485

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

MATLAB 数值优化工具及其使用方法:从基础函数到工程优化实例

本文系统介绍了MATLAB中数值优化工具的应用,涵盖基础环境、Optimization Toolbox与Global Optimization Toolbox三大层次。重点讲解了fminbnd、fminsearch、linprog、fmincon等常用函数的适用场景与实现方法,结合单变量优化、无约束多变量优化、线性规划及非线性约束优化实例,展示了如何将实际问题转化为数学模型并求解。强调应根据问题结构选择合适算法,以提升求解效率与精度。

weixin_47502228的博客 294

MATLAB 在科学计算可视化中的进阶应用

本文系统阐述了科学计算可视化的基本思路与实现方法,涵盖二维标量场的热力图、等值线图与三维曲面表达,矢量场的箭头图与流线分析,以及三维体数据的切片与等值面重构。通过MATLAB图形对象机制,结合多种可视化技术,有效揭示数值结果的空间结构与动态特征,提升对复杂物理现象的直观理解与分析能力。

weixin_47502228的博客 617

第【136】期--面向通信感感知一体化的AFDM波形性能分析--matlab完整代码

通信感知一体化(Integrated Sensing and Communication, ISAC)要求同一套波形同时承担数据传输与目标探测两类任务,而传统的正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)波形在高移动性场景下会因载波间干扰(Inter-Carrier Interference, ICI)而性能显著退化。

qq_35027690的博客 543

【MATLAB例程介绍】(17)永磁同步电机(PMSM)基于自适应无迹卡尔曼滤波(AUKF)的电流噪声在线估计。测量噪声协方差自适应与转速估计对比仿真

本文基于MATLAB构建永磁同步电机(PMSM)仿真模型,提出一种自适应无迹卡尔曼滤波(AUKF)算法,实现电流测量噪声协方差的在线估计,并联合观测机械转速、转子电角度及电流状态。针对传统UKF因固定噪声参数在噪声变化时性能下降的问题,引入新息协方差匹配机制,通过指数加权统计更新噪声协方差,有效提升状态估计鲁棒性。仿真结果表明,在分阶段变化的测量噪声条件下,AUKF能准确跟踪噪声水平,显著降低转速与角度估计误差,优于标准UKF。程序结构清晰,含完整注释与可视化输出,适用于电机控制与状态估计研究。

985工科博士毕业,专攻定位、导航和滤波等算法研究。从业10年,主要使用MATLAB 346

第【135】期--基于 M-ASK 调制的数字通信系统设计与仿真--matlab完整代码

本文设计并仿真了一个完整的 M 进制幅移键控(M-ASK)数字通信系统。系统由发射机、加性高斯白噪声(AWGN)信道和接收机三部分构成。发射机完成符号映射、上采样、根升余弦(RRC)脉冲成形、数模转换与射频调制;接收机通过相干解调、低通滤波、降采样、匹配滤波和幅度判决恢复原始符号。为了解决帧同步问题,系统在数据帧头部插入了由巴克码构造的前导序列,接收端利用相关检测完成定时对齐,并通过蒙特卡洛仿真验证了系统在不同信噪比条件下的误码性能,仿真结果与理论曲线吻合较好。关键词:M-ASK;脉冲成形;匹配滤波;

qq_35027690的博客 366

MATLAB优化算法实战:从无约束到约束优化

优化问题在工程中无处不在:参数调优、路径规划、资源分配、控制器设计都需要优化算法。MATLAB的Optimization Toolbox提供了从简单到复杂的完整优化工具链。

2501_93482674的博客 216

MATLAB 离散数据分箱:半开区间、末端点与计数、加权和、平均

明确半开区间、最右端点、越界及空箱规则,用 histcounts 与 accumarray 同时得到计数、贡献和、样本平均贡献及箱号。附 MATLAB R2025b 原生边界、非法输入、1000×105 独立参考测试和错误实现负例。

hxy_programmer的博客 353

IEEE TASE,光伏最大功率点跟踪最优控制: 基于群体智能的自适应动态规划

辐照度快速变化会使光伏最大功率点不断移动,传统扰动观察法(P&O)和增量电导法(IC)难以兼顾跟踪速度与稳态振荡。论文提出群智能自适应动态规划(SI-ADP),将光伏最大功率点跟踪(MPPT)转化为带占空比约束的非线性最优控制问题。评论家网络学习长期代价,粒子群算法(PSO)搜索动作网络参数,直接生成 Boost 变换器占空比。MATLAB/Simulink 与硬件在环结果支持其改善动态响应、稳态功率波动和并网电流质量。

Logic_9527的博客 140

【MATLAB源码】基于机器视觉的羽毛球灵敏度步伐训练装置

随着机器视觉技术在体育训练领域的深入应用,羽毛球这类对技术要求高、动作结构复杂的项目迎来了新的训练手段。传统羽毛球步伐训练存在主观性强、反馈周期长、训练效果难以量化等问题,高水平运动员的步伐优化往往依赖经验性指导,缺乏科学化、系统化的训练方法。本文设计了一款基于机器视觉的羽毛球步伐灵敏度训练装置,通过集成可控射灯、二维云台与摄像头,自动调整射灯位置和光圈以精准标定训练区域;利用机器视觉识别原理实时监控球员步伐,并将采集图像在 MATLAB 平台进行帧差法处理,实现脚步动作的正确识别。实验表明,该装置可为初学

2302_78339041的博客 227
上一篇: 基于SABO-VMD-CNN-SVM的分类诊断
下一篇: 最强智能优化算法软件v2.0,增加27种工程设计问题,MATLAB APP Designer开发
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

淘个代码_

不想刀我的可以选择爱我

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值