聚类(clustering)是一种典型的“无监督学习”，是把物理对象或抽象对象的集合分组为彼此类似的对象组成的多个类的分析过程。**回归(regression)**是一种归纳的思想，简单说就是“由果索因”的过程。当我们看到大量的实事所呈现的样态，从而推断出原因或客观蕴含的关系是如何的；当我们看到大量的观测而来的向量(数字)是某种样态，我们设计一种假说来描述它们之间蕴含的关系是如何的。常用的回归有两
聚类是在线性主成分分析和非线性流形分析之外的一个无监督学习方法大类，聚类学习的目标是将不具有
标签的数据按照规则划分到不同的类别中，使类别内部的数据具有近似的
特性。聚类算法主要包含：
K均值聚类 KMeans仿射传播 Affinity propagation均值漂移 Mean-shift谱聚类 Spectral Clustering凝聚聚类 Agglomerative
机器人路径规划_粒子群算法 原理 PSO的基本思想是：鸟被抽象成没有质量和体积的“粒子”，解群相当于一个鸟群，“好消息”相当于解群每代进化中的最优解，食源相当于全局最优解，一地到另一地的迁徙相当于解群的计划。在PSO中，每个优化问题的解都是搜索空间中的一只鸟，我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值（fitness
一、线性函数与非线性函数的区别线性Line，是指量与量之间按照比例成直线关系，在数学上可理解为一阶导数是个常数；非线性non-line则指不按照比例不成直线关系，一阶导数不为常数。机器学习中的线性和非线性判断 这篇博客的结论是： 下面可以快速判断是为非线性的三种常见情况：(变量)^n，且n不为1|变量| 有变量在绝对值內的为非线性sgn(变量) 有变量在符号函数之内做一点补充理解： 线性定义：F(
一、粒子算法的概述 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。
粒子群算法解决非线性问题 引入 上次我们介绍了粒子群算法的各种改进，以及matlab软件自带的更强大的粒子群算法，解决的问题都是连续的，无约束的；那么我们能解决有约束的，非线性问题吗？ 当然可以，不过在此之前，我们需要搞清实现的思路。 解决非线性问题的两种思路 直接在更新新的个体位置之前加入约束条件 ...
转载
2021-08-09 20:44:00
2179阅读
2评论
上一期：粒子群算法（1）线性递减惯性权重 惯性权重w体现的是粒子继承先前的速度的能力，Shi,Y最先将惯性权重w引入到粒子群算法中，并分析指出一个较大的惯性权值有利于全局搜索，而一个较小的权值则更利于局部搜索。为了更好地平衡算法的全局搜索以及局部搜索能力，Shi,Y提出了线性递减惯性权重LDIW(Linear Decreasing Inertia Weight),公式如下:其他非线性递减自适应惯性
1. 特点高效的并行搜索算法速度-位移模型简单易行每个粒子在算法结束时仍保持其个体极值（除了得到最优解外，还可以得到若干较好的次优解，可用于调度、决策问题）记忆功能（搜索行为在受其他个体影响的同时也受自身经验的引导）2. 基本参数m = 100; %粒子数量d = 2; %粒子维度iter_max = 200; %迭代次数c1 = 1.5; %加速系数（认知）c2 = 1.5; %加速系数（社会）
一、粒子群算法粒子群算法是在1995年由Eberhart博士和Kennedy博士一起提出的，它源于对鸟群捕食行为的研究。它的基本核心是利用群体中的个体对信息的共享从而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，从而获得问题的最优解。设想这么一个场景：一群鸟进行觅食，而远处有一片玉米地，所有的鸟都不知道玉米地到底在哪里，但是它们知道自己当前的位置距离玉米地有多远。那么找到玉米地的最佳策略，也是最简单有效的策略就是搜寻目前距离玉米地最近的鸟群的周围区域。在PSO中，每个优化问题的解都是.
原创
2021-07-20 15:07:01
3758阅读
一、粒子群算法 粒子群算法是在1995年由Eberhart博士和Kennedy博士一起提出的，它源于对鸟群捕食行为的研究。它的基本核心是利用群体中的个体对信息的共享从而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，从而获得问题的最优解。设想这么一个场景：一群鸟进行觅食，而远处有一片 ...
转载
2021-07-25 17:15:00
90阅读
2评论
一、粒子群算法
粒子群算法是在1995年由Eberhart博士和Kennedy博士一起提出的，它源于对鸟群捕食行为的研究。它的基本核心是利用群体中的个体对信息的共享从而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，从而获得问题的最优解。设想这么一个场景：一群鸟进行觅食，而远处有一片玉米地，所有的鸟都不知道玉米地到底在哪里，但是它们知道自己当前的位置距离玉米地有多远。那么找到玉米
原创
2021-07-14 19:29:33
635阅读
1、基本思想粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。下面的
粒子群算法算法流程粒子群算法的参数(1)惯性权重w 使得粒子保持运动惯性，十七有搜索扩展空间的趋势，有能力探索新的区域。 也表示粒子对于当前自身运动状态的信任，依据自身的速度进行惯性运动。 较大的w有利于跳出局部极值，而较小的w有利于算法的收敛速度更新图 &n
这篇文章主要讲解的是使用粒子群算法对PID参数进行寻优，大家可以进行参考。 基于粒子群算法的PID控制器优化设计1. 理论基础2. 问题描述3. 思路及步骤3.1 优化设计过程3.2 粒子群算法实现4. MATLAB程序5.仿真结果 1. 理论基础PID控制器的一般形式为 其中，是系统误差；、和分别是对系统误差信号及其积分与微分量的加权，控制器通过这样的加权就可以计算出控制信号，驱动受控对象。 因
自适应粒子滤波定位(AMCL)代码思想杭州电子科技大学-自动化学院-智能机器人实验室-Jolen Xie 文章目录自适应粒子滤波定位(AMCL)代码思想1. 代码结构2. 核心代码解读2.1 `localizer.cc`解读2.1.1 运动更新代码解读`void motionUpdate(const Pose2d& odom);`2.1.2 测量更新代码解读 `void measureme
clear; clc
%% 粒子群算法中的预设参数（参数的设置不是固定的，可以适当修改）
tic % 开始计时
n = 1000; % 粒子数量
narvs = 30; % 变量个数
c1 = 2.05; % 每个粒子的个体学习因子，也称为个体加速常数
c2 = 2.05; % 每个粒子的社会学习因子，也称为社会加速常数
C = c1+c2;
fai = 2/abs((2-C-sqrt(C^
粒子群算法1.入门粒子群算法，其全称为粒子群优化算法(Particle Swarm Optimization,PsO)。它是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的搜索算法。2.什么是启发式算法？启发式算法百度百科上的定义:一个基于直观或经验构造的算法,在可接受的花费下给出待解决优化问题的一个可行解。(1)什么是可接受的花费? 计算时间和空间能接受（求解一个问题要几万年or一万台电脑)(
一、算法概述带罚函数的粒子群算法（Particle Swarm Optimization with Penalty Function）是一种常用的优化算法，它主要用于解决约束优化问题。在传统的粒子群算法中，粒子在搜索空间中移动，以寻找最优解。然而，在实际问题中，通常会存在一些约束条件，例如变量的取值范围或函数的不等式约束等。这些约束条件可能导致搜索空间不连续，甚至不可行。因此，带罚函数的粒子群算法
粒子群算法求解函数的最值问题 启发式算法，数模中常称为智能优化算法。 粒子群算法时智能算法中的一种，全称为粒子群优化算法（Particle Swarm Optimization, PSO）。通过模拟鸟群觅食行为而发展起来的一种基于群体协作的搜索算法。 核心：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 一群鸟在搜索食物：所有的鸟都不知道食物在哪它们
光正交频分复用(Optical Orthogonal Frequency Di-vision Multiplexing，O-OFDM)技术是近年来出现的一种新型光传输技术，它是将正交频分复用(Orthogonal Fre-quency Division Multiplexing，OFDM)技术用于光纤信道的一种技术。在光纤信道中传输OFDM信号，可以提高频谱的利用率，而且能够很好的抵抗色散和各种噪
