颜色分类leetcode mlrose：机器学习、随机优化和搜索 mlrose 是一个 Python 包，用于将一些最常见的随机优化和搜索算法应用于一系列不同的优化问题，包括离散值和连续值参数空间。 项目背景 mlrose 最初是为了支持佐治亚理工学院 OMSCS/OMSA 课程 CS 7641：机器学习的学生而开发的。 它包括本课程中教授的所有随机优化算法的实现，以及将这些算法应用于整数字符串优化问题的功能，例如 N-Queens 和背包问题； 连续值优化问题，如神经网络权重问题； 和旅游优化问题，例如旅行商问题。 它还具有解决用户定义的优化问题的灵活性。 在开发时，不存在将所有这些功能集中在一个位置的单个 Python 包。 主要特点 随机优化算法 实现：爬山、随机爬山、模拟退火、遗传算法和（离散）MIMIC； 解决最大化和最小化问题； 定义算法的初始状态或从随机状态开始； 定义您自己的模拟退火衰减计划或使用三种预定义的可自定义衰减计划之一：几何衰减、算术衰减或指数衰减。 问题类型 解决离散值（位串和整数串）、连续值和旅游优化（旅行销售员）问题； 定义您自己的适应度函数以进行优化或

程序名称：考虑不确定性的含集群电动汽车并网型微电网随机优化调度 实现平台：matlab-yalmip-cplex/gurobi 代码简介：微电网是指集成了多种分布式电源、储能和负荷的一类小型发–配–用电系统，通过内部各单元的协调运行，可实现高度自治及对配电网的友好接入，是提高可再生能源渗透率的有效手段。本代码涉及的并网型微电网包括分布式电源（汽轮机），需求响应负荷（可平移负荷），可再生能源（光伏），固定负荷，储能设施，集群电动汽车以及与配网交互功率部分。首先考虑负荷与光伏的不确定性，利用拉丁超立方抽样算法生成与削减得到典型场景。其次在分时电价引导下，以总运行成本最低为优化目标，建立基于场景法的随机优化调度模型。本代码为原创代码，注释详细，且将目标函数与约束写成紧凑形式，简洁工整，易于拓展修改，适合新手入门与提高。附带参考文献。

随着高比例可再生能源接入综合能源系统，在系统规划及运行优化过程中充分考虑不确定性及电/热储能灵活性的问题至关重要。提出了一种考虑可再生能源及多能负载不确定性的综合能源系统两阶段规划-运行联合优化方法。充分挖掘电/热储能的灵活性与上述不确定性的关系，进行互补平衡并改善系统的可靠性与经济性。所提出的两阶段优化问题在第一阶段主要考虑综合能源系统及储能设备的规划问题，包含0-1变量；第二阶段考虑系统运行问题，包含不确定性参数及多种连续变量。通过仿真算例分析了多类型储能配置对综合能源系统规划问题的影响和不确定性参数的场景数量在两阶段随机优化问题中的影响，并对比分析了两阶段随机优化与两阶段鲁棒优化的优缺点。分析结果为综合能源系统灵活配置电/热储能设备、考虑不确定性参数问题提供建模求解的策略及建议。

基于场景的多区域综合能源优化调度（随机优化）（完美复现）matlab-yalmip-cplex_gurobi代码_分享，微信扫码查看详情

数值优化：经典随机优化算法及其收敛性与复杂度分析.doc

随机最优传输 大规模优化传输的随机优化算法的 Julia 实现。

自适应采样免疫算法及其对随机优化问题的应用.doc

由两个随机求解器组成的多背包求解器：i) 通过交叉熵方法和 ii) 通过 Botev-Kroese 方法解决以下问题 最大 S(X)=(p^{t}X) 英石。 WX <= c 请运行演示文件： test_ce_knapsack.m test_cemcmc_knapsack.m 注意您可能需要重新编译 mex 文件。 请打开运行“mexme_mks”在您自己的平台上进行编译。

ICA算法灵感源于人类社会帝国殖民竞争机制，是一种完全受社会行为启发的群体随机优化搜索算法。ICA可归纳为国家初始化、殖民地同化、帝国竞争、国家汇聚四个流程。

Stochastic Programming (Andras Prekopa)