粒子群优化(Particle Swarm Optimization, PSO)算法是Kennedy和Eberhart受人工生命研究结果的启发、通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法，自然界中各种生物体均具有一定的群体行为，而人工生命的主要研究领域之一是探索自然界生物的群体行为，从而在计算机上构建其群体模型。自然界中的鸟群和鱼群的群体行为一直是科学家的研究兴趣，生物学家Craig Reynolds在1987年提出了一个非常有影响的鸟群聚集模型，在他的仿真中，每一个个体遵循：
粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源于对鸟群捕食的行为研究 。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。
粒子群优化（PSO）算法是Kennedy和Eberhart受 鸟群群体运动的启发于1995年提出的一种新的群智能优化算法[1]。大概的意思就是一片森林里有一群鸟在找一块食物，它们不知道食物具体在哪，但是可以通过感官（例如嗅觉）去察觉到自己当前位置距离食物的远近。鸟可以记住自己走过的位置并且知道自己做过的最优位置。这一群鸟的运动都是随机的，这类似于一种穷举法。
粒子群算法是一种智能优化算法。关于智能，个人理解，不过是在枚举法的基础上加上了一定的寻优机制。试想一下枚举法，假设问题的解空间很小，比如一个函数 y = x^2 ，解空间在[-1,1],现在求这个函数的最小值，我们完全可以使用枚举法，比如在这里，在解空间[-1,1]上，取1000等分，也就是步长为0.002，生成1000个x值，然后代入函数中，找到这1000个最小的y就可以了。然而实际情况不是这样的，比如为什么选1000等分，不是1w，10w等分，很显然等分的越大，计算量也就越大，带来的解当然也就越精确，那么实际问题中如何去平衡这两点呢？也就是既要计算量小（速度快），也要准确（精度高），这就是智能算法的来源了，一般的智能算法基本上都是这样的，在很大的搜索空间上，即保证了速度快，也能比较好的找到最优解。
前面我们介绍了特征选择(Feature Selection，FS)与离散化数据的重要性，总览的介绍了PSO在FS中的重要性和一些常用的方法。今天讲一讲FS与离散化的背景，介绍本文所采用的基于熵的切割点和最小描述长度原则(MDLP)。 A. 特征选择 特征选择是一个组合优化问题，因为在具有N个特征的数据集上有2N个可能的不同特征子集。FS方法通常有两个重要的部分组成，即搜索技术和特征评估方法。 在特征评估方面，FS方法通常可以分为过滤(filter)和包装(wrapper)方法。过滤法基于它们的内在特性
这俗话说啊，早起的鸟儿有虫吃，早起的虫儿被鸟吃。而这个鸟抓虫子这个事儿啊，就像当初砸醒牛顿的苹果一样，居然也启发了两位博士，研究出了有用的大道理。那么，今天小编就带领大家，一起来看看这个让人好奇的大道理 -- 粒子群算法，究竟是个什么东西吧。
PSO（PSO——Particle Swarm Optimization）（基于种群的随机优化技术算法） 粒子群算法模仿昆虫、兽群、鸟群和鱼群等的群集行为，这些群体按照一种合作的方式寻找食物，群体中的每个成员通过学习它自身的经验和其他成员的经验来不断改变其搜索模式。 Kennedy和Eberhart提出粒子群算法的主要设计思想与两个方面的研究密切相关： 一是进化算法，粒子群算法和进化算法一样采用种群的方式进行搜索，这使得它可以同时搜索待优化目标函数解空间中的较多区域。 二是人工生命，即研究具有生命特征的人工系统，它采用的主要工具是计算机，主要方法是利用计算机编程模拟。 Millonas在用人工生命理论来研究群居动物的行为时，对于如何采用计算机构建具有合作行为的群集人工生命系统，提出了五条基本原则： （1）邻近原则（ProximityPrinciple）：群体应该能够执行简单的空间和时间运算。 （2）质量原则（Quality Principle）：群体应该能感受到周围环境中质量因素的变化，并对其产生响应。 （3）反应多样性原则（Principle ofDiverse Response）：群体不应将自己获取资源的途径限制在狭窄的范围之内。 （4）稳定性原则（Principle ofStability）：群体不应随着环境的每一次变化而改变自己的行为模式。 （5）适应性原则（Principle ofAdaptability）：当改变行为模式带来的回报是值得的时候，群体应该改变其行为模式。 其中4、5两条原则是同一个问题的两面。微粒群系统满足以上五条原则。 近十余年来，针对粒子群算法展开的研究很多，前国内外已有多人从多个方面对微粒群算法进行过综述；并出现了多本关于粒子群算法的专著和以粒子群算法为主要研究内容的博士论文。
磐创AI 专注分享原创AI技术文章 作者 | Geppetto 编辑 | 磐石 出品 | 磐创AI技术团队 【磐创AI导读】：本文是PSO系列的第四篇，是一个对FS的特征与实验分析。欢迎大家点击上方蓝字关注我们的公众号：磐创AI。前三篇详见：粒子群优化算法(PSO)之基于离散化的特征选择(FS)（一），粒子群优化算法(PSO)之基于离散化的特征选择(FS)（二），粒子群优化算法(PSO)之基于离散化的特征选择(FS)（三）。 前面我们介绍了特征选择(Feature Selection，FS)与离散化数据
我今年的研究课题是使用粒子群优化（PSO）的货币进位交易组合优化。在本文中，我将介绍投资组合优化并解释其重要性。其次，我将演示粒子群优化如何应用于投资组合优化。第三，我将解释套利交易组合，然后总结我的研究结果
本文举例讲解最近项目合作用到运动控制的使用方案，不是唯一的方法。希望对大家后面做项目又帮助。
投资组合包括资产和投资资本。投资组合优化涉及决定每项资产应投入多少资金。随着诸如多样化要求，最小和最大资产敞口，交易成本和外汇成本等限制因素的引入，我使用粒子群优化（PSO）算法。
一般情况下，我们在写Django项目需要操作QuerySet时一些常用的方法已经满足我们日常大多数需求，比如get、filter、exclude、delete神马的感觉就已经无所不能了，但随着项目但业务逻辑越来越复杂，这几个方法可能就不能很好但满足我们了，所以这时候，最好的办法是神马？？对，读文档！这里的读文档不是有业务需求时去查文档，而是要为了阅读文档而阅读文档。以下也是作为我的文档阅读笔记，我记下了一些我以后可能会用到或者一些技巧性提升的东西，好，不废话，正文开始： 首先，我们假设有以下两个model：
计算智能(ComputationalIntelligence ,CI)是以生物进化的观点认识和模拟智能。按照这一观点，智能是在生物的遗传、变异、生长以及外部环境的自然选择中产生的。在用进废退、优胜劣汰的过程中，适应度高的结构被保存下来，智能水平也随之提高。因此计算智能就是基于结构演化的智能。计算智能的主要方法有人工神经网络、遗传算法、遗传程序、演化程序、局部搜索、模拟退火等等。这些方法具有以下共同的要素：自适应的结构、随机产生的或指定的初始状态、适应度的评测函数、修改结构的操作、系统状态存储器、终止计算的条
粒子群算法的发展过程。粒子群优化算法（Partical Swarm Optimization PSO），粒子群中的每一个粒子都代表一个问题的可能解，通过粒子个体的简单行为，群体内的信息交互实现问题求解的智能性。由于PSO操作简单、收敛速度快，因此在函数优化、 图像处理、大地测量等众多领域都得到了广泛的应用。 随着应用范围的扩大，PSO算法存在早熟收敛、维数灾难、易于陷入局部极值等问题需要解决，主要有以下几种发展方向。
进化算法作为一种随机优化算法在复杂函数优化、组合优化与路径规划等领域具有广泛的应用。本文从进化算法的发展现状、缺陷与改进等方面进行了细致的分析调研。具体介绍了NP问题的定义与研究成果，并研究与讨论了基于传统经典与最新前沿的进化算法解决带约束组合优化的NP难题的方法策略。在标准数据集上的实验结果表明，进化算法在求解NP问题具有一定的实用性与延展性。
粒子群算法的发展过程。粒子群优化算法（Partical Swarm Optimization PSO），粒子群中的每一个粒子都代表一个问题的可能解，通过粒子个体的简单行为，群体内的信息交互实现问题求解的智能性．由于PSO操作简单、收敛速度快，因此在函数优化、 图像处理、大地测量等众多领域都得到了广泛的应用. 随着应用范围的扩大，PSO算法存在早熟收敛、维数灾难、易于陷入局部极值等问题需要解决，主要有以下几种发展方向。
粒子群优化 PSO 引言 在机器学习问题中以及实际实践中，大多数的建模与控制问题最终都可以转化为一个约束或者无约束的优化问题，这些问题一般比较复杂，主要表现为规模大、维数高、非线性、非凸以及不可微等性质，而且由于非凸的原因往往存在较多的井点，传统的基于梯度的优化算法收敛速度快，但是对于初始值比较敏感，容易陷入局部最优(这也一直以来是bp神经网络的问题)，对于高维复杂的函数难以实现高效优化。 粒子群优化(Particle Swarm Optimization)，又称微粒群算法，是由J. Kennedy和R.
前言：在机器学习中，离散化(Discretization)和特征选择(Feature Selection,FS)是预处理数据的重要技术，提高了算法在高维数据上的性能。由于许多FS方法需要离散数据，所以通常的做法是在FS之前对数据进行离散化。此外，为了提高效率，特征通常单独（或单变量）离散。这种方案的原理是基于假定每个特征都是独立的，但是当特征之间存在交互时，这种方案可能不成立。因此，单变量离散化可能会降低FS的性能，因为在离散化过程中可能会因为特征之间存在交互而丢失部分信息。 在生物信息学、基因组学、图像处
本文来源：https://blog.csdn.net/qq_44186838/article/details/109181453
在远古时代，网页大都是静态展示，服务器无需处理复杂且过多的请求，只需要静静地等待客户端的请求，将 HTML 代码通过 HTTP 的方式返回给客户端。因此服务器也没有主动推送数据给客户端的能力，毕竟 HTTP 是无状态的协议，即开即用。
1月5日消息，LiveVideoStack发现，苹果公司出现在AOM联盟官网（http://aomedia.org/）的创始成员名单中，与Amazon，ARM，思科，Facebook，Google，IBM，Intel，微软，Mozilla，Netflix和NVIDIA并列。这意味着，下一代编解码器AV1有望获得苹果公司官方支持。
本文实例讲述了GO语言标准错误处理机制error用法。分享给大家供大家参考。具体分析如下： 在 Golang 中，错误处理机制一般是函数返回时使用的，是对外的接口，而异常处理机制 panic-recover 一般用在函数内部。 error 类型介绍 error 类型实际上是抽象了 Error() 方法的 error 接口，Golang 使用该接口进行标准的错误处理。 type error interface { Error() string } 一般情况下，如果函数需要返回错误，就将 error 作为
本文实例讲述了GO语言标准错误处理机制error用法。分享给大家供大家参考。具体分析如下： 在 Golang 中，错误处理机制一般是函数返回时使用的，是对外的接口，而异常处理机制 panic-recover 一般用在函数内部。 error 类型介绍 error 类型实际上是抽象了 Error() 方法的 error 接口，Golang 使用该接口进行标准的错误处理。 type error interface { Error() string } 一般情况下，如果函数需要返回错误，就将 error 作为多
PSO（粒子群算法）在处理连续问题上有着较强的能力，因此很适合用来做参数优化，而PID控制器由三个参数组成，它们分别是：Kp 、Ki 、Kd 。
粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation）。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解． PSO的优势：在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。
在现代科技的发展中，机器学习和生物启发式算法的结合为问题解决提供了一种创新的方式。本文将深入研究机器学习与生物启发式算法的融合，通过一个实例项目展示其部署过程，并探讨这一技术在未来的发展方向。
<string>是C++标准库头文件，包含了拟容器class std::string的声明（不过class string事实上只是basic_string<char>的typedef），用于字符串操作。 <cstring>是C标准库头文件<string.h>的C++标准库版本，包含了C风格字符串（NUL即’\0’结尾字符串）相关的一些类型和函数的声明，例如strcmp、strchr、strstr等。<cstring>和<string.h>的最大区别在于，其中声明的名称都是位于std命名空间中的，而不是后者的全局命名空间。 看定义就知道了，string是新标准，定义了namespace std;而cstring虽然也是新标，但是定义中包含的是string.h。 string中可以进行+ = += >等运算，而cstring中不能进行相关运算。
不知不觉,又开始委托的学习了,感觉这个东西我能学一辈子,哈哈哈!这次看的是官方的参考书(C#高编9),每次看不同的资料,总能学到不同的知识!言归正传 1、为什么要使用委托? 我们习惯于将数据作为参数传
粒子群算法，也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization），缩写为 PSO， 是由J. Kennedy和R. C. Eberhart等开发的一种新的进化算法(Evolutionary Algorithm – EA)。
开源项目是众多组织与个人分享的组件或项目，作者付出的心血我们是无法体会的，所以首先大家要心存感激、尊重。请严格遵守每个项目的开源协议后再使用。尊重知识产权，共建和谐开源社区。
该文介绍了Java 8中新的日期时间类，包括LocalDate、LocalTime、LocalDateTime、ZonedDateTime和Instant，以及它们之间的区别和用法。此外还介绍了如何从数据库中查询日期和时间。
使用 Object.prototype.toString 配合闭包，通过传入不同的判断类型来返回不同的判断函数，一行代码，简洁优雅灵活（注意传入 type 参数时首字母大写）
过去的100多天里，在深度学习领域，每天都有大量的新论文产生。所以深度学习研究在2019年开了怎样一个头呢？
省去在Altium Designer(Altium_Designer的使用)中一步一步导出Gerber，比较繁琐，还容易出错，导过的都懂。
这段时间因为某些原因接触了Android App渗透测试，发现了几个不错的App渗透测试工具（虽然这些工具早就出来了 2333），搭建测试环境的过程中遇到了一些问题，特地总结一下，希望能给大家带来帮助。
Harpoon是一款自动化的用于从各种公开资源中收集威胁情报的工具。它是由Python 3编写的，并在其设计中体现了模块化思想，每个平台和任务都会有一个插件。大家可以在Github上查看其源码，并向作者提出建议或Pull Requests。
协同训练算法是机器学习中半监督学习的主要方法之一，通过多个学习器的相互协作探索无标记数据中的有效信息。为了深入了解协同训练的发展，把握当前研究的热点和趋势，本文对现有协同训练算法进行整理和总结，并按照改进策略对相关方法进行分类，对一些典型方法进行详细介绍。其目的在于了解现有方法优势，发现仍然存在的问题，提出改进策略和建议，并对未来的发展趋势进行预测和展望。
作者 | Geppetto 编辑 | 磐石 出品 | 磐创AI技术团队 【磐创AI导读】：本文是粒子群优化算法(PSO)之基于离散化的特征选择(FS)系列的第三篇。主要介绍了EPSO与PPSO。欢迎大家点击上方蓝字关注我们的公众号：磐创AI。 前面我们介绍了特征选择(Feature Selection，FS)与离散化数据的重要性，总览的介绍了PSO在FS中的重要性和一些常用的方法，介绍了FS与离散化的背景，介绍本文所采用的基于熵的切割点和最小描述长度原则(MDLP)。今天我们来学习利用PSO来进行离散化特征
随着知识图谱技术的发展，其在电商、医疗、金融等领域得到了越来越广泛的应用。在过去的几年间，我们团队一直致力于探索知识图谱在新零售问答和直播场景的应用，提出了阿里小蜜新零售多模态知识图谱AliMe MKG（AliMe指图谱建设时期团队的名称阿里小蜜，MKG是多模态知识图谱的缩写）。本次报告将介绍过去一年多我们在多模态知识图谱方面的探索与实践工作，主要分为以下三个方面：
之前写Optional这个类的时候，简单说了一下Lambda是怎么用的，这里再跟大家一起回顾一下，Lambda的语法是这样的：
列表是由一系列特定顺序排列的元素组成。你可以创建包含字母表中所有字母，数字0~9或所有家庭成员姓名的列表；也可以将任何东西加入列表中，其中的元素之间可以没有任何关系。鉴于列表通常包含多个元素，给列表指定一个表示复数的名称(如letters、digits或names)是个不错的主意。
合作协同进化（Cooperative Coevolution）是求解大规模优化算法一个有效的方法。将大规模问题分解为一组组较小的子问题。而合作协同进化的关键是分解策略。
续上篇，这篇我们来进一步探索 Tye 更多的使用方法。本篇我们来了解一下如何在 Tye 中实现对分布式链路追踪。
领取专属 10元无门槛券
手把手带您无忧上云
