優(yōu)化算法的案例
36基于matlab的對分解層數(shù)和懲罰因子進(jìn)行優(yōu)化。蟻獅優(yōu)化算法優(yōu)化VMD,算術(shù)優(yōu)化算法優(yōu)化VMD ￥25.9
基于matlab的對分解層數(shù)和懲罰因子進(jìn)行優(yōu)化。蟻獅優(yōu)化算法優(yōu)化VMD,算術(shù)優(yōu)化算法優(yōu)化VMD，遺傳優(yōu)化算法優(yōu)化VMD，灰狼優(yōu)化算法優(yōu)化VMD，海洋捕食者優(yōu)化算法優(yōu)化VMD，粒子群優(yōu)化VMD，麻雀優(yōu)化算法優(yōu)化VMD，鯨魚優(yōu)化算法優(yōu)化VMD。程序已調(diào)通，可直接運(yùn)行。
常用參數(shù)自動(dòng)標(biāo)定算法總結(jié)（單純形，遺傳算法，貝葉斯優(yōu)化算法，粒子群算法等）
在本推文中介紹四類常用參數(shù)自動(dòng)標(biāo)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(yōu)化ego方案。
單純形方案實(shí)現(xiàn)最簡單，適用于少參數(shù)，更窄的初始區(qū)間
粒子群方案，遺傳算法方案適用于多參數(shù)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(yōu)勢體現(xiàn)為
EGO使用代理模型（如高斯過程回歸）來預(yù)測目標(biāo)函數(shù)，極大減少了實(shí)際函數(shù)評估次數(shù)。
EGO在每一步都智能選擇下一個(gè)最值得評估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動(dòng)態(tài)平衡比GA中盲目變異與交叉更具理論指導(dǎo)。
由于EGO最大化信息利用率，在樣本數(shù)量極少的情況下表現(xiàn)優(yōu)于GA。
當(dāng)樣本數(shù)量少，且有約束優(yōu)化時(shí)適合使用ego方法。例如在評估晶體塑性模型參數(shù)時(shí)
不過這些優(yōu)化算法經(jīng)常容易陷入局部最優(yōu)，即優(yōu)化算法在搜索過程中被某個(gè)“看起來很好”的解吸引，不斷圍繞它進(jìn)行微小改進(jìn)，最終卡在“局部低谷”而不是“全局最低點(diǎn)”。
一個(gè)更合理的做法是：使用粒子群和遺傳算法在全局進(jìn)行初始搜索，使用ego回歸分析進(jìn)行特定區(qū)間的優(yōu)化，最后使用NM方案進(jìn)行小區(qū)間尋找，如果陷入局部最優(yōu)解，引入全局?jǐn)_動(dòng)方案或者爆炸方法跳出局部區(qū)間重新搜索即可。
基于該思路編寫對應(yīng)的程序，實(shí)現(xiàn)參數(shù)的自動(dòng)標(biāo)定過程：
這里實(shí)現(xiàn)對vpsc模型的復(fù)雜參數(shù)自動(dòng)標(biāo)定；
這里使用相對復(fù)雜的鎂合金為例，考慮3組滑移+一組孿晶，每個(gè)系統(tǒng)考慮tau_0,tau_s,h_0,一共12個(gè)待標(biāo)定參數(shù)給定參數(shù)區(qū)間如下
設(shè)置最大迭代次數(shù)為2000次，初始優(yōu)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(yōu)化算法。
展開 Isight中三類優(yōu)化算法比較
Isight中三類優(yōu)化算法比較
Isight優(yōu)化算法可分為梯度算法、直接搜索法和全局優(yōu)化法。梯度算法通過在設(shè)計(jì)空間中的當(dāng)前位置設(shè)定一個(gè)前進(jìn)方法和搜索步長從而獲得設(shè)計(jì)空間中的另一個(gè)位置，并判斷收斂性，Isight中梯度優(yōu)化算法有三種NLPQL,LSGRG和MMFD。直接搜索法不用計(jì)算函數(shù)的梯度，僅需要函數(shù)值評估，可以有效探索初始設(shè)計(jì)點(diǎn)周圍的局部區(qū)域，Isight中提供的直接法有HJ(Hooke-jeeves)和DS(downhill simplex)方法。全局優(yōu)化法具有搜索全局最優(yōu)解的，但計(jì)算耗時(shí)多，Isight中提供的全局優(yōu)化算法有MIGA,ASA和PSO。本文通過一個(gè)雙峰的不完全可行域問題來比較三類優(yōu)化算法求解全局最優(yōu)解的效率。
優(yōu)化問題：
max f(x)=60/(1+(x1+1)^2+(x2-3)^2)+20/(1+(x1-1)^2+(x2-3)^2)+30/(1+x1^2+(x2+4)^2)
s.t. –((x1-2)^2+x2^2<-4.0
-5<x1<5
-5<x2<5
優(yōu)化算法分別選用NLPQL,HJ和MIGA。
局部解（0，-4），f(x)=31.57;全局解（-0.97,3），f(x)=64.63，如圖1所示。
圖1 目標(biāo)函數(shù)的等值面
isight優(yōu)化步驟：
1、
構(gòu)建優(yōu)化流程，application組件采用calculator，process 組件選用optimization;
圖2-優(yōu)化流程構(gòu)建
2、
設(shè)置優(yōu)化算法、設(shè)計(jì)變量、約束及目標(biāo)，設(shè)計(jì)變量初始值等；
圖3-優(yōu)化算法及參數(shù)設(shè)置
3、
查看優(yōu)化結(jié)果，并比較3種算法搜尋全局最優(yōu)解的效率。
展開 HGWOSCA-改進(jìn)的灰狼優(yōu)化算法1(Matlab)
在作者前面的文章中介紹了灰狼優(yōu)化算法(Grey Wolf Optimization,GWO)的原理及其MATLAB實(shí)現(xiàn)，灰狼優(yōu)化算法是Mirjalili等[1]于2014年提出的一種新型SI算法，GWO通過模擬灰狼群體捕食行為，基于狼群群體協(xié)作的機(jī)制來達(dá)到優(yōu)化的目的，這一機(jī)制在平衡探索和開發(fā)方面取得了不錯(cuò)的效果，并且在收斂速度和求解精度上都有良好的性能，目前已廣泛應(yīng)用于工程領(lǐng)域，如：神經(jīng)網(wǎng)絡(luò)、調(diào)度、控制、電力系統(tǒng)等。
雖然GWO在應(yīng)用上非常成功，但其仍有幾個(gè)缺點(diǎn)：
1.其勘探/開發(fā)保持為1，而在其他的優(yōu)化算法往往是以一個(gè)減小的比例來加速搜索的過程，在迭代初期，算法需要注重勘探以避免局部極小值，在迭代后期，算法需要注重開發(fā)以進(jìn)行精確搜索，提高尋優(yōu)精度。而勘探和開發(fā)對應(yīng)著算法中的搜索獵物和攻擊獵物，主要由參數(shù)a和A控制，當(dāng)A<1時(shí)即攻擊，A>1時(shí)即搜索
2.不同類別的狼存在依賴性，比如低級的狼就依賴于??狼，雖然這樣能有極其有效的開發(fā)能力，但也降低了多樣性，容易導(dǎo)致過早收斂和局部極值。
3.初始種群多樣性差，這是由ＧＷＯ的初始種群生成方式導(dǎo)致的。隨機(jī)初始化生成初始種群的方式無法保證較好的種群多樣性。
因此對于灰狼優(yōu)化算法的改進(jìn)可以從這3個(gè)方面入手，其改進(jìn)策略也是多樣的。基于以上認(rèn)識，本文對控制參數(shù)以及頭狼的位置更新進(jìn)行了改進(jìn)。
00 文章目錄
1 灰狼優(yōu)化算法原理
2 改進(jìn)的灰狼優(yōu)化算法
3 代碼目錄
4 算法性能
5 總結(jié)
01 灰狼優(yōu)化算法原理
關(guān)于灰狼優(yōu)化算法的原理在前面的文章中已作了闡述，這里不再展開，想要了解的朋友可以點(diǎn)擊下面的鏈接查看。
展開 
機(jī)器學(xué)習(xí)中的優(yōu)化算法 ￥2
<p>1 機(jī)器學(xué)習(xí)中的優(yōu)化算法</p><p><span style="color: rgb(62, 62, 62);">Optimization Algorithms in Machine Learning,機(jī)器學(xué)習(xí)中的優(yōu)化算法。</span></p><p>優(yōu)化算法是機(jī)器學(xué)習(xí)模型的支柱，因?yàn)樗鼈兪菇＿^程能夠從給定的數(shù)據(jù)集中學(xué)習(xí)。這些算法用于查找目標(biāo)函數(shù)的最小值或最大值，該函數(shù)在機(jī)器學(xué)習(xí)上下文中代表誤差或損失。<strong><em>在本文中，討論了不同的優(yōu)化方法以及它們在機(jī)器學(xué)習(xí)中的用途及其意義。</em></strong></p><p><strong>目錄</strong></p><ul><li>了解機(jī)器學(xué)習(xí)中的優(yōu)化</li><li>機(jī)器學(xué)習(xí)中的優(yōu)化算法類型</li><li class="ql-indent-1">1. 一階算法</li><li class="ql-indent-1">2. 二階算法</li><li>針對特定機(jī)器學(xué)習(xí)任務(wù)的優(yōu)化</li><li class="ql-indent-1">1. 分類任務(wù)：Logistic 回歸優(yōu)化</li><li class="ql-indent-1">2. 回歸任務(wù)：線性回歸優(yōu)化</li><li>優(yōu)化算法的挑戰(zhàn)和局限性</li></ul><p><strong>了解機(jī)器學(xué)習(xí)中的優(yōu)化</strong></p><p>優(yōu)化是從各種可用的可行解決方案中選擇最佳解決方案的過程。換句話說，優(yōu)化可以定義為獲得給定函數(shù)的最佳值或最小值的一種方式。在大多數(shù)問題中，目標(biāo)函數(shù) f（x） 是受約束的，目的是確定最小化或最大化 f（x） 的 ？x 值。
展開 Abaqus|智能優(yōu)化算法的反演加強(qiáng)筋位置，提升薄壁結(jié)構(gòu)穩(wěn)定性 ￥50
文章來源：微信公眾號“仿真社”，主要分享Abaqus、ANSYS仿真案例，聚焦于結(jié)構(gòu)優(yōu)化、參數(shù)優(yōu)化，二次開發(fā)等領(lǐng)域，歡迎關(guān)注。
本文你將獲得如下干貨：
1. 有限元模型修正法FEMU結(jié)合智能優(yōu)化算法反演了加強(qiáng)筋位置布局的源程序（python程序，可反演位置、厚度、材料參數(shù)，通用反演程序）
2. 參數(shù)化建模的一些技巧；
3. 直接搜索法和智能算法兩種反演方法，以及了解他們的優(yōu)勢所在；
1.導(dǎo)讀
薄壁結(jié)構(gòu)最常見的失效方式是屈曲（失穩(wěn)）。為了避免此類結(jié)構(gòu)發(fā)生屈曲現(xiàn)象，可以使用加強(qiáng)筋，加強(qiáng)筋可增加結(jié)合面的強(qiáng)度。屈曲臨界載荷是衡量結(jié)構(gòu)發(fā)生屈曲現(xiàn)象的最小載荷，由下式?jīng)Q定：
為屈曲載荷因子，F(xiàn)為外載荷。由上式可知，在外載一定的時(shí)候，臨街載荷與屈曲載荷因子成正比，而屈曲載荷因子與加強(qiáng)筋的位置有關(guān)。因此為了提高結(jié)構(gòu)的穩(wěn)定性，需要找到加強(qiáng)筋的最優(yōu)位置使得該結(jié)構(gòu)擁有最大屈曲載荷因子。
尋找最優(yōu)位置的問題是一個(gè)反問題，可通過優(yōu)化算法來獲到最優(yōu)解。差分進(jìn)化算法是一種全局智能優(yōu)化算法，是遺傳算法的變體，可高效獲得最優(yōu)解。本文使用智能優(yōu)化算法對位置參數(shù)進(jìn)行了反演并使用遍歷搜索優(yōu)化算法來進(jìn)行了對比。
2.問題描述
針對圖1優(yōu)化前所示結(jié)構(gòu)，優(yōu)化軸向4個(gè)加強(qiáng)筋位置，使得屈曲載荷因子最大。圓筒高400mm，圓筒直徑為400mm,薄壁厚1mm,加強(qiáng)筋厚2mm。圓筒在頂端受到大小為500N，方向?yàn)?y方向的集中力。
圖1 帶有加強(qiáng)筋的圓筒模型
通過差分進(jìn)化優(yōu)化算法獲得的加強(qiáng)筋均勻分布在圓筒的四周，是不是很符合力學(xué)認(rèn)知？
3. 代碼詳解
這一部分將結(jié)合代碼詳細(xì)展現(xiàn)如何實(shí)現(xiàn)這一過程的技術(shù)細(xì)節(jié)以及智能優(yōu)化算法的優(yōu)勢。
展開 清華大學(xué)：一種新的全局優(yōu)化算法——統(tǒng)計(jì)歸納算法
一種新的全局優(yōu)化算法——統(tǒng)計(jì)歸納算法
劉志宏 施工 胡永明
清華大學(xué)工程物理系 清華大學(xué)核能技術(shù)設(shè)計(jì)研究院
摘要：在多極值問題的優(yōu)化領(lǐng)域，主要有模擬退火算法（SA），遺傳算法（GA），人工神經(jīng)網(wǎng)絡(luò)算法（ANN），它們都是基于對自然現(xiàn)象模擬的算法。該文從更基本的優(yōu)化思想出發(fā)，基于概率論提出了一種新的全局優(yōu)化算法——統(tǒng)計(jì)歸納算法（SIA）。在一些標(biāo)準(zhǔn)測試函數(shù)以及“貨郎擔(dān)問題”（TSP）上的計(jì)算結(jié)果表明，該算法在智能型（所需的函數(shù)計(jì)算次數(shù)）和解的全局性方面都遠(yuǎn)遠(yuǎn)好于SA和GA。在中國144個(gè)城市的TSP問題實(shí)例中，它甚至很快就找到了比參考計(jì)算中給出的“目前已知的最優(yōu)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(yōu)化問題有效，以及SA和GA各自固有的不足之處。
關(guān)鍵詞： 全局優(yōu)化 ，模擬退火算法（SA），遺傳算法（GA），統(tǒng)計(jì)歸納算法（SIA）
內(nèi)容簡介：
1 算法的基本思想
2 算法的結(jié)構(gòu)
3 實(shí)例計(jì)算
3.1 連續(xù)優(yōu)化問題
3.2 組合優(yōu)化問題
4 結(jié)論
一種新的全局優(yōu)化算法——統(tǒng)計(jì)歸納算法.pdf
展開 Isight優(yōu)化算法之1——概述
Isight優(yōu)化算法之1——概述
ISIGHT中存在大量的優(yōu)化算法，每種優(yōu)化算法根據(jù)不同的分類，可以解決不同類型的問題。今天我們來看看ISIGHT都提供了哪些優(yōu)化算法，主要包括：AMGA、ASA、DownhillSimplex、Evol、Hooke-Jeeves、LSGRG、MISQP、MMFD、MOST、Multi-IslandGA、Multi-Objective Particle Swarm、NCGA、NLPQL、NSGA-II、Pointer、StressRatio等，后續(xù)我會(huì)對每種優(yōu)化算法一一進(jìn)行詳細(xì)介紹，敬請期待。
ISIGHT中的優(yōu)化技術(shù)分為三類：
l
數(shù)值型優(yōu)化技術(shù)（NumericalOptimization Techniques）
l
探索型優(yōu)化技術(shù)（ExploratoryTechniques）
l
專家系統(tǒng)技術(shù)（ExperSystem Techniques）
下面對這些優(yōu)化技術(shù)中的優(yōu)化方法一一進(jìn)行介紹。
n
數(shù)值型優(yōu)化技術(shù)
數(shù)值型優(yōu)化技術(shù)通常假定參數(shù)空間是單峰的、凸的和連續(xù)的，ISIGHT中使用了如下的數(shù)值型優(yōu)化技術(shù)如下，而數(shù)值型優(yōu)化技術(shù)又分為直接法和罰函數(shù)法：
（1）直接法，在搜索過程中直接處理約束。
展開 基于灰狼算法優(yōu)化支持向量機(jī)的matlab算法
灰狼優(yōu)化算法優(yōu)化支持向量機(jī)MATLAB實(shí)戰(zhàn)
今天給大家分享灰狼優(yōu)化算法的MATLAB實(shí)戰(zhàn) ，主要從算法原理和代碼實(shí)戰(zhàn)展開。
需要了解更多算法代碼的，可以點(diǎn)擊文章左下角的閱讀全文，進(jìn)行獲取哦~需要了解智能算法、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和信號處理相關(guān)理論的可以后臺(tái)私信哦，下一期分享的內(nèi)容就是你想了解的內(nèi)容~
一、灰狼優(yōu)化算法
灰狼優(yōu)化算法（Grey Wolf Optimizer，GWO）由澳大利亞格里菲斯大學(xué)學(xué)者 Mirjalili 等人于2014年提出來的一種群智能優(yōu)化算法。該算法受到了灰狼捕食獵物活動(dòng)的啟發(fā)而開發(fā)的一種優(yōu)化搜索方法，它具有較強(qiáng)的收斂性能、參數(shù)少、易實(shí)現(xiàn)等特點(diǎn)。
灰狼屬于犬科動(dòng)物，被認(rèn)為是頂級的掠食者，它們處于生物圈食物鏈的頂端。灰狼大多喜歡群居，它們具有非常嚴(yán)格的社會(huì)等級層次制度，如下圖所示。
金字塔第一層為種群中的領(lǐng)導(dǎo)者，稱為 α 。在狼群中 α 是具有管理能力的個(gè)體，主要負(fù)責(zé)關(guān)于狩獵、睡覺的時(shí)間和地方、食物分配等群體中各項(xiàng)決策的事務(wù)。
金字塔第二層是 α 的智囊團(tuán)隊(duì)，稱為 β 。β 主要負(fù)責(zé)協(xié)助α 進(jìn)行決策。當(dāng)整個(gè)狼群的 α 出現(xiàn)空缺時(shí)，β 將接替 α 的位置。β 在狼群中的支配權(quán)僅次于 α，它將 α 的命令下達(dá)給其他成員，并將其他成員的執(zhí)行情況反饋給 α 起著橋梁的作用。
金字塔第三層是 δ ，δ 聽從 α 和 β 的決策命令，主要負(fù)責(zé)偵查、放哨、看護(hù)等事務(wù)。適應(yīng)度不好的 α 和 β 也會(huì)降為 δ 。金字塔最底層是 ω ，主要負(fù)責(zé)種群內(nèi)部關(guān)系的平衡。
灰狼的社會(huì)等級在群體狩獵過程中發(fā)揮著重要的作用，捕食的過程在 α 的帶領(lǐng)下完成。
展開 Isight梯度優(yōu)化算法淺析
Isight梯度優(yōu)化算法淺析
梯度算法通過在設(shè)計(jì)空間中的當(dāng)前位置設(shè)定一個(gè)前進(jìn)方法和搜索步長從而獲得設(shè)計(jì)空間中的另一個(gè)位置，并判斷收斂性。Isight中梯度優(yōu)化算法有三種NLPQL,LSGRG和MMFD,這里通過尋找數(shù)學(xué)函數(shù)表達(dá)式的最小值問題，來展示這三種算法搜尋最優(yōu)解的效率。
優(yōu)化問題：
min f(x)=100*(x2-x1^2)^2+10*(x1-1)^2
s.t. x1^2+x2^2=<9.0
isight優(yōu)化步驟：
1、
構(gòu)建優(yōu)化流程，application組件采用calculator，process 組件選用optimization;
圖1-優(yōu)化流程構(gòu)建
2、
設(shè)置優(yōu)化算法、設(shè)計(jì)變量、約束及目標(biāo)，設(shè)計(jì)變量初始值為x1=2.0,x2=3.0;
圖2-優(yōu)化算法及參數(shù)設(shè)置
3、
查看優(yōu)化結(jié)果，并比較3種梯度算法搜尋全局最優(yōu)解的效率。
圖3給出了三種算法的搜尋歷程，算法收斂準(zhǔn)則均設(shè)置為1.0e-6，設(shè)計(jì)空間為以（0,0）為圓心半徑為3.0的圓域內(nèi)，初始點(diǎn)為（2.0,3.0）不在設(shè)計(jì)空間內(nèi)部，NLPQL算法迭代27次能搜尋到全局最優(yōu)解（0.986,0.975），LSGRG算法迭代10次找到局部最優(yōu)解（1.590,2.544），這個(gè)局部解剛好在設(shè)計(jì)區(qū)域的邊界上，因?yàn)長SGRG算法的搜尋梯度和它的臨界約束相關(guān)，MMFD算法迭代8次找到局部解（1.523,2.342），這個(gè)點(diǎn)剛好滿足目標(biāo)函數(shù)高階項(xiàng)接近零。以上結(jié)果可以發(fā)現(xiàn)，初始點(diǎn)不在設(shè)計(jì)區(qū)域內(nèi)，NLPQL算法通過多次迭代能搜尋到全局最優(yōu)解，而LSGRG和MMFD算法能用較少的迭代次數(shù)搜尋到一個(gè)局部最優(yōu)解而完成迭代過程。
展開 基于粒子群優(yōu)化算法的六自由度機(jī)械臂三維空間避障規(guī)劃
路徑輸出：算法迭代終止后，輸出全局最優(yōu)粒子所代表的路徑，即為從起始點(diǎn)到目標(biāo)點(diǎn)的最優(yōu)避障路徑。
通過上述步驟，粒子群優(yōu)化算法可以有效求解三維空間內(nèi)的機(jī)械臂避障路徑規(guī)劃問題，實(shí)現(xiàn)從起始點(diǎn)到目標(biāo)點(diǎn)的最短路徑規(guī)劃，并確保路徑不與障礙物相交。最終，筆者基于上述的粒子群優(yōu)化算法編寫了MATLB代碼，其三維避障路徑規(guī)劃實(shí)驗(yàn)結(jié)果如圖3所示。
基于混沌變量的變步長梯度下降優(yōu)化算法
基于混沌變量的變步長梯度下降優(yōu)化算法
姚俊峰 楊獻(xiàn)勇 彭小奇 張?zhí)? 鄭順斌
清華大學(xué)熱能工程系 中南大學(xué)熱工設(shè)備仿真與優(yōu)化研究所 福建潯興集團(tuán)公司
摘要：梯度下降法與混沌優(yōu)化法均具有各自的缺點(diǎn)。該文將二者結(jié)合起來，利用混沌運(yùn)動(dòng)的遍歷性，將混沌因子引入到變步長中，對梯度下降法進(jìn)行改進(jìn)。首先利用混沌變量來初始化補(bǔ)償大小，并隨著搜索過程向最優(yōu)點(diǎn)附近步長波動(dòng)平穩(wěn)，避免了梯度下降法拉鋸現(xiàn)象的產(chǎn)生。通過3個(gè)典型算例，用該算法和梯度下降法以及其他2種算法進(jìn)行了優(yōu)化計(jì)算對比，結(jié)果表明，采用該算法的迭代次數(shù)減少了45%以上。
關(guān)鍵詞 ：最佳控制，混沌，變步長，梯度下降法，優(yōu)化
內(nèi)容簡介：
1 傳統(tǒng)優(yōu)化算法的分析
2 基于混沌變量的變尺度梯度下降優(yōu)化算法
3 算例
4 結(jié)論
基于混沌變量的變步長梯度下降優(yōu)化算法.pdf
展開 Isight耦合ANSYS APDL優(yōu)化分析案例及算法講解 ￥299
Isight中有很多算法，比如拉丁超立方、多島遺傳算法、多目標(biāo)優(yōu)化算法等等，共計(jì)十幾種算法，相信大家在學(xué)習(xí)中一定犯暈。其實(shí)這么多算法中，按大類分的話包括：試驗(yàn)設(shè)計(jì)、梯度優(yōu)化、直接搜索、全局優(yōu)化及多目標(biāo)優(yōu)化五類，各類優(yōu)化算法有各自的優(yōu)缺點(diǎn)，對于我們初級、中級使用者來說，只要學(xué)會(huì)選擇相應(yīng)算法即可，而不必過于糾結(jié)各類算法的原理。小編以簡支梁應(yīng)力計(jì)算為例，詳細(xì)講解Isight中的優(yōu)化算法及應(yīng)用，并詳細(xì)講解Isight與ANSYS APDL耦合及優(yōu)化結(jié)果分析。QQ: 315673349
展開 一本優(yōu)化方面的不錯(cuò)的書（有粒子群算法和遺傳算法）
一本優(yōu)化方面的不錯(cuò)的書（有粒子群算法和遺傳算法）書 名 精通MATLAB最優(yōu)化計(jì)算
出 版 社 電子工業(yè)出版社
此書含有100多個(gè)實(shí)用程序，完全可以直接拿來使用。
《精通MATLAB最優(yōu)化計(jì)算》的主要內(nèi)容是應(yīng)用MATLAB來解決最優(yōu)化問題，通過將“最優(yōu)化問題”、“MATLAB優(yōu)化工具箱”和“MATLAB編程”這三方面有機(jī)結(jié)合進(jìn)行講述，即一方面是使用工具箱來快速解決最優(yōu)化問題，另一方面是通過算法編程深入解決最優(yōu)化問題。
《精通MATLAB最優(yōu)化計(jì)算》側(cè)重于最優(yōu)化算法的MATLAB實(shí)現(xiàn)，同時(shí)精選了大量的最優(yōu)化問題實(shí)例，通過實(shí)例的求解，生動(dòng)地教會(huì)讀者掌握MATLAB在最優(yōu)化問題方面的應(yīng)用。
通過《精通MATLAB最優(yōu)化計(jì)算》，讀者不僅能掌握使用MATLAB最優(yōu)化工具箱來快速解決實(shí)際問題，而且能學(xué)會(huì)分析優(yōu)化算法和采用MATLAB編程解決最優(yōu)化問題，從而提高分析和解決問題的能力。
展開 人才+技術(shù)雙輪驅(qū)動(dòng)：天洑研發(fā)專家夏松濤攻克優(yōu)化算法卡脖子難題
南京天洑軟件有限公司研發(fā)專家夏松濤，曾任職于西門子美國研究院和Ansys公司的技術(shù)專家，他始終心系祖國制造業(yè)的"軟肋"，于2022年底回國加入天洑軟件，致力于智能優(yōu)化算法的自主研發(fā)。
作為南京市重點(diǎn)引進(jìn)人才及天洑軟件核心技術(shù)帶頭人，夏博士近日在接受南京電視臺(tái)和南京日報(bào)聯(lián)合采訪時(shí)表示：“南京的人才扶持政策非常完善，從科研資金支持到人才安居保障，為我們解除了后顧之憂，能夠全心投入CAE算法的研發(fā)攻關(guān)。”
天洑軟件作為國家級專精特新“小巨人”企業(yè)、國家鼓勵(lì)的重點(diǎn)軟件企業(yè)，通過引進(jìn)國際頂尖人才與自主創(chuàng)新相結(jié)合，在智能優(yōu)化算法領(lǐng)域取得重大突破。夏博士介紹：傳統(tǒng)優(yōu)化方案需要專家數(shù)周時(shí)間才能完成，而天洑自研的人工智能優(yōu)化算法可將這一過程縮短至數(shù)小時(shí)，在精度和效率上實(shí)現(xiàn)了質(zhì)的飛躍。
天洑軟件始終堅(jiān)持人才+技術(shù)雙輪驅(qū)動(dòng)。夏松濤等核心專家的回歸不僅帶來了國際前沿經(jīng)驗(yàn)，更推動(dòng)了公司技術(shù)體系的全面升級。
目前，天洑軟件的智能優(yōu)化算法已在多個(gè)工業(yè)領(lǐng)域成功應(yīng)用，幫助客戶顯著縮短研發(fā)周期，提升產(chǎn)品性能，生動(dòng)踐行了天洑軟件“軟件報(bào)國”使命。
展開 