算法
關注創建者：朱駿 創建時間：2015-07-23
算法的視頻教程
遺傳算法原理及其matlab編程詳細講解—輕松快速入門啟發式優化算法
課程背景： 啟發式算法是一類在可接受的計算資源下尋找問題近似解的算法，它們通常用于解決復雜的優化問題，特別是在傳統算法難以應用或者效率不高的情況下。以下是啟發式算法的一些主要應用前景： 復雜系統優化：在工程、物流和供應鏈管理中，啟發式算法可以幫助優化復雜的系統設計和操作。 機器學習：在訓練機器學習模型時，啟發式算法可以用來選擇特征、優化模型參數或者神經網絡的結構。
￥19.9 53分鐘 163播放
查看
遺傳算法優化BP神經網絡與神經網絡遺傳算法程序視頻
主要內容包括：BP神經網絡算法工具箱三個函數功能與語法，BP神經網絡算法應用于非線性函數擬合與預測問題，遺傳算法三個算子與函數ga功能及語法，遺傳算法應用于尋求多個極值點的最小值解問題，遺傳算法優化BP神經網絡算法流程與3個模塊與程序分析，遺傳算法優化BP神經網絡算法求解擬合及預測問題，遺傳算法優化BP神經網絡算法分析自己實際數據與程序通用，GAOT工具箱函數處理GA優化BP分析預測及識別應用問題，
￥168 1小時21分鐘 935播放
查看
介觀尺度的新一代核心LBM算法案例實操講解突破傳統CFD算法最大障礙網格劃分
介觀尺度的新一代核心LBM算法案例實操講解 | 突破傳統CFD算法最大障礙網格劃分 適用人群：CFD流體工程師/專家；結構工程師（涉及流體及流固耦合等） 介觀尺度的新一代核心LBM算法案例實操講解突破傳統CFD算法最大障礙網格劃分（免費）【已結束】 直播時間：2022-03-10 19:30 本期研討會，我們將從算法入手，在梳理和分析當前CFD算法瓶頸的基礎上，為各位介紹“
￥9.9 1小時11分鐘 323播放
查看
算法的實例教程
在本推文中介紹四類常用參數自動標定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優化ego方案。
單純形方案實現最簡單，適用于少參數，更窄的初始區間
粒子群方案，遺傳算法方案適用于多參數更大的空間適合全局搜索
ego方案相比于其余三類方案的優勢體現為
EGO使用代理模型（如高斯過程回歸）來預測目標函數，極大減少了實際函數評估次數。
EGO在每一步都智能選擇下一個最值得評估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動態平衡比GA中盲目變異與交叉更具理論指導。
由于EGO最大化信息利用率，在樣本數量極少的情況下表現優于GA。
當樣本數量少，且有約束優化時適合使用ego方法。例如在評估晶體塑性模型參數時
不過這些優化算法經常容易陷入局部最優，即優化算法在搜索過程中被某個“看起來很好”的解吸引，不斷圍繞它進行微小改進，最終卡在“局部低谷”而不是“全局最低點”。
一個更合理的做法是：使用粒子群和遺傳算法在全局進行初始搜索，使用ego回歸分析進行特定區間的優化，最后使用NM方案進行小區間尋找，如果陷入局部最優解，引入全局擾動方案或者爆炸方法跳出局部區間重新搜索即可。
基于該思路編寫對應的程序，實現參數的自動標定過程：
這里實現對vpsc模型的復雜參數自動標定；
這里使用相對復雜的鎂合金為例，考慮3組滑移+一組孿晶，每個系統考慮tau_0,tau_s,h_0,一共12個待標定參數給定參數區間如下
設置最大迭代次數為2000次，初始優化來自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優化算法。
展開 基于matlab的利用LMS算法、格型LMS算法、RLS算法、LSL算法來估計線性預測模型參數a1和a2；預測信號由二階線性預測模型產生。2.利用LMS算法和RLS算法將一個疊加有噪聲的信號實現噪聲消除，恢復原始信號。有22頁試驗分析文檔。（包括程序在內）。程序已調通，可直接運行。
一種新的全局優化算法——統計歸納算法
劉志宏 施工 胡永明
清華大學工程物理系 清華大學核能技術設計研究院
摘要：在多極值問題的優化領域，主要有模擬退火算法（SA），遺傳算法（GA），人工神經網絡算法（ANN），它們都是基于對自然現象模擬的算法。該文從更基本的優化思想出發，基于概率論提出了一種新的全局優化算法——統計歸納算法（SIA）。在一些標準測試函數以及“貨郎擔問題”（TSP）上的計算結果表明，該算法在智能型（所需的函數計算次數）和解的全局性方面都遠遠好于SA和GA。在中國144個城市的TSP問題實例中，它甚至很快就找到了比參考計算中給出的“目前已知的最優路徑”更短的路徑。從這一算法思想的角度，闡述了SA和GA為何對全局優化問題有效，以及SA和GA各自固有的不足之處。
關鍵詞： 全局優化 ，模擬退火算法（SA），遺傳算法（GA），統計歸納算法（SIA）
內容簡介：
1 算法的基本思想
2 算法的結構
3 實例計算
3.1 連續優化問題
3.2 組合優化問題
4 結論
一種新的全局優化算法——統計歸納算法.pdf
展開 如果你的問題不太難，求解器自帶的自適應算法應該能夠自動調整步長。靜力自適應算法的本質，是計算到目前為止的時間步的收斂模式。簡單地說，如果求解器發現現在這步收斂得快，那么下一步步長就可以放寬點，如果收斂得慢或者搞不定，那么就得縮小步長。基本上是個猜猜猜的過程。
第三，動力問題時間步的問題。和靜力問題不同，動力問題有“真正”的時間，需要進行時間積分，所以時間步的劃分是根據積分算法來決定的。而積分算法應該根據具體問題來選擇。常用的算法，固體和結構分隱式和顯式：隱式基本上都在Newmark和HHT上玩系數，目的是保證精確性但又濾掉高頻的信號，而顯式基本上就是保證時間步盡量大但又不大到影響穩定。流體基本上都是在Runge-Kutta和各種向后積分法中求穩定。所以當積分法定了，時間步的選擇的大方向也就定了。普通用戶在這個時候可以和精力情形一樣，寄希望于自適應算法。動力問題的時間步自適應基本上分兩類。一類是調整步長以適應特定的結構振動頻率，一類是調整步長以適應特定的積分誤差。
第四，多尺度的問題。下面這三類常見問題，對于時間步的決定都是讓人頭疼的，本質上都是因為有空間/時間多尺度的特點: 接觸問題（固體），湍流問題（流體），激波問題(固體和流體）。工程上解決的方式，本質上都是給模型添加穩定性，即所謂的數值減振／衰減。
顯示和隱式
顯式、隱式算法，也稱顯式解法和隱式解法，是計算力學中常見的兩個概念。
1、顯式算法
基于動力學方程，因此無需迭代；而靜態隱式算法基于虛功原理，一般需要迭代計算。顯式算法，最大優點是有較好的穩定性。
動態顯式算法采用動力學方程的一些差分格式，不用直接求解切線剛度，不需要平衡迭代，計算速度快，步長只要取的足夠小，一般不存在收斂性問題。因此需要的內存也比隱式算法要少。
展開 靜力學分析中是不會用到顯式算法的，動力學分析中主要采用顯式算法（特別是響應時間很短的問題），當然也可以采用隱式算法，但需要選擇較為合適的時間步長，當時間步長取得合適時，拋開計算時間，兩種算法的結果是相差不大的，同一個問題大家可以兩種方法都試一試，但總的來說，動力學分析大多數問題還是采用顯示算法的。
顯式算法的例子：
物體以高速（比如2000m/s）落在一個平板上，交互時間為0.2秒時
飛機著陸時的瞬時響應
隱式算法的例子：
鈑金成型過程的非線性分析
算法的相關專題、標簽、搜索
算法的最新內容
值得一提的是，Bronkhorst的數字式質量流量計（如EL-FLOW系列）內置智能算法，可實時監測流態異常并提供診斷信息，進一步降低因安裝條件不佳帶來的潛在風險。
管道長度不會改變質量流量計的基本測量原理和準確性，但合理的管道布局對保障長期穩定運行和高重復性十分重要，選擇Bronkhorst，不僅是選擇高精度儀表，更是獲得從選型、安裝到應用的全生命周期技術支持。
在面對復雜流動及傳熱傳質分析問題的過程中，Ansys Fluent 的非耦合隱式算法、耦合顯示算法及耦合隱式算法可以應對各種求解需求。因此，Ansys Fluent 在技術研發過程中，可利用其高效準確的分析能力，大幅度減少物理樣品制作過程、試驗驗證過程以及這期間產生的各種費用成本，真正實現仿真驅動創新的目的。
何為快裝氣動調節閥？3天前
精準控制，從“開關”到“無級調節”的跨越
除了安裝上的極致便捷，快裝氣動調節閥在性能上同樣表現出色，與傳統只能實現“全開”或“全關”的普通電磁閥不同，優質的快裝調節閥（如IMI Norgren的高壓比例閥系列）能夠接收PLC發出的模擬信號（如4-20mA或0-10V），實現輸出氣壓大小和流量的連續、平滑控制，通過內置的高精度傳感器與毫秒級響應的閉環控制算法，它能精準驅動氣缸等執行機構，實現對速度
核心技術原理
基于拉格朗日方程與牛頓 - 歐拉方程，采用變步長剛性積分算法 + 稀疏矩陣技術，高效求解大規模非線性動力學方程；支持剛柔耦合、非線性接觸、摩擦、疲勞、振動等多物理場耦合分析，兼顧計算精度與效率。
二、核心優勢
1.
代碼層面
OpenRadioss在開發之時，內部的一些數組和進程數有著固定的限制，文件讀寫接口、數值方法、接觸算法、循環與判斷語句、優化算法等均與進程數強綁定。由于這些限制，需要完整找出限制并行擴展的代碼并進行修改，這一工作難度很大。
2.
圖像處理算法
面對油污、高反光或極暗環境，設備集成了強大的圖像處理引擎，降噪技術有效提升了低照度下的信噪比；動態范圍擴展技術平衡了燃燒室或焊縫檢測中的明暗反差；特殊的物鏡設計配合算法，能實時校正魚眼畸變并自動排油，確保視覺反饋的真實性。
求解迭代：
· 使用優化算法（如OC（ Optimality Criteria）法或MMA（Method of Moving Asymptotes））進行迭代求解。
[8]
圖源網絡
3.疲勞與耐久性評估
基于風荷載時程數據與材料S-N曲線（應力-壽命曲線），運用疲勞分析算法（如雨流計數法）預測建筑構件（螺栓、焊縫、玻璃夾具）在長期風荷載作用下的累積損傷與壽命，發現潛在的結構耐久性問題，并指導結構優化和運維方案制定，是實現結構長壽命與運營安全性的核心環節。
在網格畸變前，通過插值算法將織構（取向）、晶粒形狀（變形梯度）等信息轉移到新網格。
這保證了材料“記憶”的連續性。同時論文采用了應力驅動的自協調迭代，并引入了兩級并行計算（MPI + OpenMP），這在 2026 年依然是非常經典的設計。
作者成功捕捉到了 ARB 厚度方向上的織構梯度（中心 S 組分與表面剪切組分）。
后續很多孿晶模型基于此進行二次開發，因此實現該文章的數值模型對于孿晶的研究非常有幫助：
使用文章的公式，講整體算法集成到abaqus的vumat子程序相對容易，因為不需要推導一致性雅可比。但是率無關模型通常數值穩定性較差。
