支持向量机标签_码道开发者社区

支持向量机

机器学习09——聚类（聚类性能度量、K均值聚类、层次聚类）

本文系统介绍了聚类任务的核心概念与方法。作为无监督学习的关键技术，聚类旨在将无标记样本划分为若干簇，揭示数据内在结构。文章详细阐述了聚类性能度量（外部指标如JC/FMI/RI和内部指标如DBI/DI）、距离计算方式（闵可夫斯基距离、VDM等），并重点分析了原型聚类（k均值、高斯混合模型）和层次聚类（AGNES）的算法原理与特点。最后指出，实际应用中需根据数据特性和任务需求选择合适的聚类方法，平衡效

 君名余曰正则
2025-09-09 09:56:24

 1389

 13

#机器学习 #聚类 #支持向量机
机器学习06——支持向量机（SVM核心思想与求解、核函数、软间隔与正则化、支持向量回归、核方法）

支持向量机（SVM）是一种基于间隔最大化的监督学习算法，其核心思想是通过寻找最优超平面实现分类，并引入核函数处理非线性问题。SVM首先通过拉格朗日对偶转化求解支持向量，利用解的稀疏性提升效率；其次通过核函数将样本映射到高维空间，使其线性可分；针对现实数据噪声，引入软间隔和正则化平衡误差；还可扩展为支持向量回归（SVR）。核方法可推广至其他模型如核PCA。常用工具包包括LIBSVM等，广泛应用于分类

 君名余曰正则
2025-09-09 09:24:08

 832

 30

#支持向量机 #机器学习 #人工智能
机器学习速成笔记week7：搞懂支持向量机

本文介绍了支持向量机（SVM）的核心概念及其数学原理。SVM是一种基于间隔最大化的线性分类器，通过硬间隔或软间隔处理线性可分或近似线性可分数据，并利用核技巧解决非线性问题。关键点包括：函数间隔与几何间隔：几何间隔是点到超平面的真实距离，SVM通过最大化几何间隔提高鲁棒性。支持向量：距离超平面最近的样本点决定了决策边界，使SVM对小样本数据表现良好。间隔最大化：SVM通过优化目标函数最小化参数

 墨＆白.
2025-09-10 17:46:36

 701

 8

#机器学习 #支持向量机 #python
基于长短期记忆网络定向改进预测的动态多目标进化算法（LSTM-DIP-DMOEA）求解CEC2018（DF1-DF14）研究（Matlab代码实现）

💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️行百里者，半于九十。📋📋📋🎁🎁🎁。

老杰爱编程
2025-09-11 13:46:03

 723

 16

#算法 #lstm #依赖倒置原则 +1
【论文阅读】Towards Privacy-Enhanced and Robust Clustered Federated Learning

（交集相似度度量）：对于每个客户端。

wzx_442011334
2025-09-11 16:04:34

 1440

 27

#论文阅读 #支持向量机 #算法 +3
【深度学习】基于最小误差法的胸片分割系统（Matlab代码实现）

最小误差法是一种基于图像中背景和目标像素的概率分布密度来实现的图像分割方法。其核心思想是找到一个阈值，根据该阈值将图像划分为目标和背景两部分，并计算目标点误分为背景的概率和背景点误分为目标点的概率，得出总的误差划分概率。当总的误差划分概率最小时，所得到的阈值即为最佳阈值。

老杰爱编程
2025-09-13 07:00:25

 318

 6

#深度学习 #matlab #人工智能 +1
机器学习（西瓜书）第六章支持向量机（SVM）

本文介绍了支持向量机(SVM)的核心概念和应用。首先阐述了二分类问题中寻找最优划分超平面的原理，通过最大化间隔来提高模型的鲁棒性。其次解释了使用拉格朗日乘子法将原始问题转化为对偶问题的过程，并指出最终模型仅与支持向量有关。针对非线性可分问题，引入了核函数方法将样本映射到高维特征空间。接着讨论了软间隔概念和正则化技术，以处理存在噪声或异常点的现实数据。最后简要介绍了支持向量回归(SVR)和核方法的应

 在猴站学算法
2025-09-14 00:02:32

 1280

 26

#支持向量机 #机器学习
机器学习实战第五章 SVM

SVM深度解析与实践指南支持向量机(SVM)是一种强大的机器学习模型，特别擅长处理中小规模非线性数据集。本文深入解析SVM的核心原理与实用技巧：核心原理：从硬间隔分类到软间隔分类，通过松弛变量和正则化参数C平衡街道宽度与间隔违例。核技巧(多项式核/RBF核)使SVM能高效处理非线性数据。关键参数： C值：控制模型对训练数据的敏感度，过大易过拟合 gamma(RBF核)：决定单个样本影响范围，

hi0_6
2025-09-16 12:00:00

 909

 11

#机器学习 #支持向量机 #人工智能 +1
揭秘“模型编辑”：无需重训，5 分钟改掉 AI 的“坏记忆”——面向大模型的局部参数手术刀与实战

2025年AI大模型仍面临知识幻觉问题，传统微调成本高昂且易导致灾难性遗忘。模型编辑技术（如ROME/MEMIT）通过"参数手术"实现精准知识更新，仅需修改特定神经元权重。中文优化版R-ROME-Chinese引入字符级因果迹和动态模板池，5分钟内完成单条知识编辑（如修正"张衡发明地动仪"），显存＜16G，准确率达98.2%且对模型其他能力影响＜0.5%。该

 Blossom.116
2025-09-17 11:48:42

 900

 7

#人工智能 #机器学习 #神经网络 +4
DAY17 机器学习聚类-

首先在聚类之前需要进行标准化。

mir frog
2025-09-18 16:59:12

 267

 9

#机器学习 #聚类 #支持向量机
python文本评论情感分析预测 KNN算法SVM算法朴素贝叶斯算法决策树算法 MINIST数据机器学习大数据毕业设计（建议收藏）✅

python文本评论情感分析预测 KNN算法SVM算法朴素贝叶斯算法决策树算法 MINIST数据机器学习大数据毕业设计（建议收藏）✅

源码之家
2025-09-20 16:00:00

 1734

 49

#算法 #机器学习 #python +2
【动态多目标优化算法】基于自适应启动策略的混合交叉动态约束多目标优化算法(MC-DCMOEA)求解CEC2018研究（Matlab代码实现）

动态多目标优化问题（DMOPs）广泛存在于工业调度、交通管理、能源优化等领域，其核心特征在于目标函数、约束条件或参数随时间动态变化，导致最优解集（Pareto前沿，PF）持续演变。例如，电力调度中需实时平衡发电成本与污染排放，而需求侧负荷的波动会直接改变优化目标。此类问题的挑战在于：算法需在环境变化时快速追踪新PF，同时避免陷入局部最优。动态约束多目标优化（DCMO）是DMOPs的复杂化场景，其约

 F_Matlab
2025-09-22 10:28:35

 655

 10

#算法 #matlab #开发语言 +1
机器学习实战第九章聚类

聚类算法在无监督学习中的实践探索本文系统剖析了三种主流聚类算法（K-Means、DBSCAN和GMM）的技术特点与应用边界。K-Means作为基准模型高效直观但受限于球形簇假设；DBSCAN基于密度连接可识别任意形状簇但参数敏感；GMM采用概率化方法能处理边界模糊数据并支持异常检测。文章特别强调了工程实践中的关键考量：参数调优策略（如K-Means的n_init、DBSCAN的eps选择）、模型

 hi0_6
2025-09-22 12:00:00

 1562

 40

#机器学习 #聚类 #人工智能 +3
入门机器学习之——支持向量机

调用 halfmoon() 函数生成半月形数据集，其中 halfmoon() 函数的输入参数包括半月形的中心半径、宽度、两个半月形之间的距离以及总的样本数量，输出包括原始数据 data 和随机打乱后的数据 data_shuffled。：从归一化后的数据中提取接下来的 num_te 个样本的前两列作为测试集的特征，存储在矩阵 X_te 中。：从归一化后的数据中提取接下来的 num_te 个样本的第三

 Daer778
2025-09-22 23:33:20

 725

 5

#机器学习 #支持向量机 #人工智能
机器学习笔试选择题：题组1

K-means需要用户预先指定聚类数k，算法本身无法自动确定k值。初始聚类中心通常随机选择（尽管有改进方法如K-means++，但标准K-means使用随机选择）。i)，其中n是样本数，k是聚类数，i是迭代次数。K-means对初始聚类中心的选择非常敏感，不同的初始中心可能导致不同的聚类结果。K-means聚类算法不需要标签数据，用于将数据分成聚类，因此属于无监督学习。D. K值无法白动获取，初始

 北京地铁1号线
2025-09-22 23:58:41

 387

 3

#机器学习 #人工智能 #支持向量机
【⭐️机器学习学习笔记|代码】娘娘，是您吗？——SVM火眼金睛，终结后宫“脸盲症

本文通过一个趣味项目演示了SVM算法在后宫人物识别中的应用。作者使用自制的7人56张人脸数据集，首先导入必要的库（如SVC、PCA等），然后加载并预处理图像数据（灰度化、统一尺寸）。接着通过PCA降维处理（保留95%特征）减少像素特征，再使用带网格搜索的SVM进行训练调参。最后测试结果显示部分识别准确，但也存在错误案例。全文以甄嬛传为背景，用幽默的宫廷术语比喻技术概念，既展示了SVM的应用流程，又

 0.0001甜
2025-09-23 22:29:24

 925

 21

#支持向量机 #机器学习 #学习 +4
机器学习实战第十章人工神经网络

Keras人工神经网络实践指南本文系统介绍了人工神经网络(ANN)的核心原理及其在Keras框架下的实现方法。主要内容包括：1)神经网络基础单元阈值逻辑单元(TLU)和感知器的工作原理；2)激活函数(Sigmoid、ReLU等)的作用与选择；3)多层感知机(MLP)的结构和反向传播算法；4)Keras框架的三种建模方式(Sequential API、Functional API和Model Su

hi0_6
2025-09-24 12:00:00

 652

 17

#机器学习 #人工智能 #支持向量机 +1
人脸图像识别实战：使用 LFW 数据集对比四种机器学习模型（SVM、逻辑回归、随机森林、MLP）

LFW 是由马萨诸塞大学阿默斯特分校收集的真实场景下的人脸图像数据集，包含13,000+ 张人脸图像，涵盖5,749 个不同人物。图像来自网络新闻，背景复杂、光照不均、姿态多样；非实验室环境，更贴近真实应用场景；适合用于评估人脸识别算法的鲁棒性。仅保留至少有 70 张照片的人物（确保每类样本充足）；图像缩放至 40%（原图 250x250 → 约 50x37）；转换为灰度图（减少特征维度，加快训练

 xchenhao
2025-09-24 17:45:05

 1024

 23

#机器学习 #支持向量机 #逻辑回归 +1
AI“驯服”光伏云：卫星+深度学习预测沙尘遮蔽，发电量提升7%

针对沙尘导致光伏电站发电骤降问题，研究团队提出基于卫星遥感和VisionTransformer的智能预警方案。通过Himawari-8卫星（0.5km/10min）数据，构建ViT-Temporal模型实现沙尘遮蔽率预测，结合边缘计算（Jetson Orin）形成成本低于1700元的预警系统。关键技术包括：时空注意力机制、自监督预训练、物理约束损失函数，使30分钟预警精度达94.3%（MAPE 4

Blossom.116
2025-09-25 11:18:38

 481

 5

#人工智能 #深度学习 #机器学习 +4
【优化算法比较】五种算法（PSO、CSO、OOA、DBO、GA）求解CEC2013比较研究（Python代码实现）

💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️行百里者，半于九十。📋📋📋🎁🎁🎁。

老杰爱编程
2025-09-25 14:09:22

 385

 3

#算法 #python #开发语言 +1
基于差分进化算法的移动边缘计算的任务卸载与资源调度研究（Matlab代码实现）

随着第五代移动通信技术（5G）的普及以及物联网（IoT）设备的爆炸式增长，移动终端产生了海量的数据和计算需求。然而，移动设备的计算能力、存储空间和电池续航能力有限，难以满足这些日益增长的复杂应用需求。移动边缘计算（Mobile Edge Computing, MEC）作为一种新兴的技术范式，通过将计算和存储资源下沉到网络的边缘，靠近移动用户，有效地解决了移动终端计算能力不足的问题。

老杰爱编程
2025-09-25 14:15:09

 414

 3

#算法 #边缘计算 #matlab +1
小杰机器学习（nine）——支持向量机

停车坐爱枫林晚，霜叶红于二月花。

jie*
2025-09-25 16:13:53

 1605

 34

#机器学习 #支持向量机 #人工智能 +4
【机器学习与实战】分类与聚类算法：SVM支持向量机

【机器学习与实战】分类与聚类算法：SVM支持向量机

 AI小云
2025-09-26 09:15:00

 807

 24

#机器学习 #人工智能 #分类 +2
桌面预测类开发，桌面%雷达，信号预测%系统开发，基于python,tk,scikit-learn机器学习算法实现，桌面预支持向量机分类算法，CSV无数据库

桌面很常用的开发框架tkinter,在没有pyqt之前一直用着，帮客户修改一下代码。人工智能应用开发套路还是一样，从csv获取数据集，进行数据集清洗去重等操作，完成数据清洗就可以构造模型进行模型fit了，最后模型预测评估调优。

Strategic_3610256651
2025-09-30 18:01:19

 788

 22

#scikit-learn #支持向量机 #机器学习 +2
机器学习中的聚类理论与K-means算法详解

本文系统阐述了聚类分析的理论框架与算法体系，重点剖析了K-means算法的原理、实现及优化策略。文章首先介绍了聚类的基本概念、应用场景和评估指标；其次对各类聚类算法进行比较分析；然后详细解析K-means算法的核心思想、数学原理及优缺点；并提供了Python实现示例及优化技巧。文章还探讨了2025年K-means算法的最新研究进展，包括改进算法、理论创新和电商应用案例。最后指出当前面临的挑战（如初

 枫爱秋
2025-10-01 10:00:00

 1854

 23

#机器学习 #支持向量机 #人工智能 +3
基于CNN-BiLSTM定向改进预测的动态多目标进化算法（CNN-LSTM-DIP-DMOEA）求解CEC2018（Matlab代码实现）

💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️行百里者，半于九十。📋📋📋🎁🎁🎁。

2501_93142541
2025-10-03 07:35:22

 591

 9

#cnn #算法 #lstm +1
基于CNN-LSTM定向改进预测的动态多目标进化算法（CNN-LSTM-DIP-DMOEA）求解CEC2018研究（Matlab代码实现）

💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️行百里者，半于九十。📋📋📋🎁🎁🎁。

2501_93142541
2025-10-04 07:05:24

 797

 18

#cnn #lstm #算法 +1
基于机器学习的预测服务质量的车联网（V2X）研究（Python代码实现）

摘要：我们提供了两个基于机器学习的预测服务质量（PQoS）的数据集，包括车辆对基础设施（V2I）和车辆对车辆（V2V）的无线通信信道测量。由于V2V和V2I在智能交通系统（ITS）中都是提供连接性的必不可少的元素，我们认为这两个数据集的结合使得可以研究车辆对一切（V2X）连接在其整体复杂性中的应用。我们详细描述了进行V2V和V2I测量活动的方法，并提供了利用收集到的数据的示例。具体来说，我们展示了

 2501_93142541
2025-10-08 07:04:52

 875

 23

#机器学习 #python #人工智能 +1
动态多目标优化：基于知识转移和维护功能的动态多目标进化算法（KTM-DMOEA）求解CEC2018（DF1-DF14）研究（Matlab代码实现）

KTM-DMOEA（Dynamic Multiobjective Evolutionary Optimization via Knowledge Transfer and Maintenance）是一种基于知识转移和维护功能的动态多目标进化算法。该算法通过结合知识转移预测（KTP）和知识维护采样（KMS）策略，能够在新环境中生成高质量的初始种群，从而缓解负迁移问题，提高算法的整体性能。知识转移预测

 2501_93142541
2025-10-06 14:45:48

 580

 24

#算法 #matlab #python +1
【Koopman 算子】深度学习用于非线性动力学的通用线性嵌入研究（Python、Matlab代码实现）

Koopman算子与深度学习的结合为非线性动力学提供了“线性化-预测-控制”的全新范式。通过深度神经网络自动学习高维嵌入空间，不仅突破了传统线性方法的局限性，还在机器人、能源、生物等多个领域展现出广泛应用潜力。然而，如何在复杂系统中平衡模型表达能力、计算效率与可解释性，仍是未来研究的核心挑战。📚2 运行结果w = 105wo = 300🎉3参考文献。

2501_93142541
2025-10-14 07:05:49

 635

 11

#深度学习 #python #matlab +1
【改进差分优化算法L-SHADE-cnEpSin】差分进化算法(DE)及其变体L-SHADE-cnEpSin在CEC2005函数寻优的对比研究（Matlab代码实现）

本文聚焦于差分进化算法(DE)及其变体L-SHADE-cnEpSin在CEC2005函数集上的寻优性能对比研究。DE作为经典的全局优化算法，通过变异、交叉和选择操作实现种群进化。L-SHADE-cnEpSin作为DE的改进变体，引入余弦惯性权重、扰动正弦函数及协同进化策略，显著提升了算法的适应性和鲁棒性。通过在CEC2005测试集上的实验对比，分析两者在收敛速度、解的质量及稳定性方面的差异，为工程

 2501_93142541
2025-10-14 07:09:39

 616

 15

#算法 #matlab #r语言 +1
【改进差分优化算法L-SHADE】差分进化算法(DE)及其变体线性种群缩减的SHADE（L-SHADE）在CEC2005函数寻优的对比研究（Matlab代码实现）

本文针对差分进化算法(DE)及其改进版本L-SHADE在CEC2005测试集上的优化性能展开对比研究。通过23个标准测试函数的实验分析，揭示了L-SHADE算法通过线性种群缩减(LPSR)和动态参数控制策略实现的效率提升机制。实验结果表明，L-SHADE在收敛速度、解质量及鲁棒性方面显著优于传统DE算法，尤其在复杂多模态问题中展现出更强的全局搜索能力。研究为高维非线性优化问题的算法选择提供了理论依

 2501_93142541
2025-10-14 07:16:37

 572

 18

#算法 #matlab #python +1
【改进差分优化算法JaDE】差分进化算法(DE)及其变体自适应权重差分进化算法（JaDE）在CEC2005函数寻优的对比研究（Matlab代码实现）

DE算法是一种基于群体智能的启发式优化算法，它模拟了生物进化中的个体变异和竞争过程。算法通过生成和演化候选解的种群来寻找全局最优解。DE算法的主要步骤包括初始化、变异、交叉和选择。

2501_93142541
2025-10-14 07:08:10

 544

 27

#算法 #matlab #人工智能 +1
固定电容器可控晶闸管无功补偿装置 (FCTCR)（simulink仿真实现）

通过改变晶闸管的触发角度，通过改变有效电抗来补偿无功功率。首先，它测量系统电压和电流，然后计算源供应的无功功率。它将此无功功率与零进行比较，将误差传递给PI控制器，该控制器计算触发角度。计算出的触发角度的触发信号被计算，并且晶闸管以所需角度触发。FCTCR 生成（或消耗）所需量的无功功率。FCTCR 是一种先进的电力系统组件，可用于补偿电力系统中的无功功率。无功功率通常是由于电力系统的感性和容性负

 2501_93142541
2025-10-26 07:37:08

 776

 18

#支持向量机
【WOA-CNN-LSTM】基于鲸鱼算法优化深度学习预测模型的超参数研究（Matlab代码实现）

深度学习模型的性能高度依赖超参数配置，传统方法易陷入局部最优且效率低下。本文提出基于鲸鱼优化算法（Whale Optimization Algorithm, WOA）的CNN-LSTM混合模型超参数优化框架，通过模拟座头鲸的螺旋捕食行为，对卷积核数量、卷积核大小、LSTM隐藏层神经元数量、学习率等关键参数进行全局搜索。实验表明，优化后的模型在风电功率预测任务中，预测精度（MAPE）提升23.6%，

2501_93142541
2025-11-10 05:31:13

 640

 22

#深度学习 #cnn #lstm +1
基于自适应启动策略的混合交叉动态约束多目标优化算法(MC-DCMOEA)求解CEC2018研究（Matlab代码实现）

动态多目标优化问题（DMOPs）广泛存在于工业调度、交通管理、能源优化等领域，其核心特征在于目标函数、约束条件或参数随时间动态变化，导致最优解集（Pareto前沿，PF）持续演变。

woshilaiwade
2025-11-14 05:16:59

 526

 13

#算法 #matlab #开发语言 +1
【电池-超级电容器混合存储系统】单机光伏电池-超级电容混合储能系统的能量管理系统（Simulink仿真）

为了存储整个高辐照度期间产生的多余功率，或者为了保持稳定的电力供应以满足低辐照度期间的负载需求，采用了储能系统（ESS）。传统的储能系统由能够存储并向负载提供连续电力的电池组组成。然而，电池的高能量密度使其成为稳定电源的完美选择。然而，从电池提供大量突发电流会降低其使用寿命，因此需要一种更好的解决方案。在这种情况下，将电池与高功率密度源（如超级电容器）相结合是一种有吸引力的选择。超级电容器具有快速

 2501_93142541
2025-11-18 05:25:19

 422

 5

#支持向量机
【无人机】基于PSO-PA和Q-learning机器学习的无人驾驶飞行器（UAV）模拟器研究（matlab代码实现）

本文聚焦于无人驾驶飞行器（UAV）路径规划领域，提出一种融合改进粒子群优化算法（PSO-PA）与Q-learning算法的混合优化策略。通过建立三维动态环境模型，将PSO-PA的全局搜索能力与Q-learning的在线学习能力相结合，实现无人机在复杂场景下的能耗最优路径规划。仿真实验表明，该算法在路径长度、避障成功率及收敛速度等指标上显著优于传统方法，为无人机在物流配送、环境监测等领域的实际应用提

 2501_93142541
2025-12-08 07:14:39

 713

 30

#支持向量机
【多种改进粒子群算法进行比较】基于启发式算法的深度神经网络卸载策略研究【边缘计算】（Matlab代码实现）

启发式算法是一类用于寻找问题近似最优解的算法，它们通过模拟自然界或其他启发式过程来寻找解决方案。在边缘计算场景中，启发式算法可以用来指导DNN模型在何种条件下、在哪个边缘节点上进行卸载，从而平衡计算资源的分配，减少能耗，并确保服务质量。核心优势全局优化能力：混合算法（PSO-GA/GWO）显著提升多峰问题求解精度。实时性：离散PSO与编码优化技术满足边缘计算低时延需求。多目标适配性：动态权重机制平

 woshilaiwade
2025-11-30 05:28:14

 945

 28

#算法 #启发式算法 #dnn +1
面向制造业的鲁棒机器学习集成计算流程研究（Python代码实现）

本文针对制造业中多变且复杂的工业场景，提出了一种鲁棒机器学习流程选择与适配的新方法。通过引入基于贝叶斯潜空间模型（Bayesian Latent Space Model, BLSM）的加权集成机制（Weighted Ensemble - BLSM, WE - BLSM）推荐系统，将数据集与机器学习流程共同投影到共享的低维潜空间嵌入。在该框架下，流程在数据集上的性能得分被建模为随机变量，其分布由二者

 2501_93142541
2025-12-06 05:35:58

 410

 4

#机器学习 #python #概率论 +1
【无人机通信】基于Stackelberg博弈方法无人机边缘计算中的抗干扰信道分配研究（Matlab代码实现）

无人机边缘计算（UAV-Enabled Edge Computing, UEEC）通过部署无人机作为移动计算节点，有效解决了传统边缘计算中延迟高、带宽不足等问题。然而，复杂飞行环境与动态无线信道导致的干扰问题成为制约系统性能的关键因素。本文提出基于Stackelberg博弈的抗干扰信道分配方案，通过构建领导者-追随者博弈模型，优化信道分配策略以降低干扰并提升系统整体性能。仿真实验表明，该方案较传统

 老杰爱编程
2025-12-13 08:08:30

 1006

 20

#无人机 #边缘计算 #matlab +1
【SCI级别】多策略改进鲸鱼优化算法(HHWOA)和鲸鱼优化算法(WOA)在CEC2017测试集函数F1-F30寻优对比

本文针对鲸鱼优化算法(WOA)在复杂优化问题中易陷入局部最优、收敛速度慢的缺陷，提出多策略改进鲸鱼优化算法(HHWOA)。通过引入对立学习、差分进化算子、混沌映射序列及平滑技术策略，HHWOA在CEC2017测试集的F1-F30函数上展现出显著优势。实验结果表明，HHWOA在收敛精度、鲁棒性和全局搜索能力上均优于传统WOA，尤其在多峰函数和复合函数中表现突出。本研究为群体智能优化算法的改进提供了理

 2501_93142541
2025-12-24 09:42:54

 918

 13

#算法 #人工智能 #深度学习 +1
哈里斯鹰、鲸鱼算法、粒子群和灰狼算法的压力容器参数优化附matlab代码

压力容器作为化工、能源、航空航天等领域的核心设备，其参数优化直接关系到设备的安全性、经济性和可靠性。该优化问题属于典型的约束优化问题，需在满足强度、刚度等安全约束的前提下，最小化制造成本或重量，涉及壳体厚度、封头尺寸、内径等多个设计参数，求解难度较大。哈里斯鹰算法、鲸鱼优化算法、粒子群优化算法和灰狼优化算法这四种主流生物启发式算法，凭借各自独特的寻优机制，在压力容器参数优化领域展现出良好的应用潜力

 Matlab科研辅导帮
2025-12-29 22:44:08

 822

 24

#支持向量机