搜索资源列表
求解单一重现期暴雨强度公式的Lingo-BFGS算法
- 摘要：为了克服一般的非线性优化算法对初始值的依赖，针对某一地区单一重现期暴雨强度公式参数计算问题，首先将Lingo 软件编程求出的结果作为初始值，然后利用拟牛顿算法对其参数进行优化。实例计算结果表明：采用Lingo 软件和拟牛顿法相结 合的方法求解单一重现期暴雨强度公式比传统的方法精度更高，能有效解决实际优化设计问题。
求解非线性方程组的BFGS差分进化算法
- 摘要：针对差分进化算法进化后期收敛缓慢和稳定性不强的缺陷，将BFGS算法插入差分进化算法当中，提出了一种BFGS差 分进化算法，用来求解非线性方程组。通过5 个非线性方程组和一个工程实例的实验，说明：算法收敛精度较高、收敛速度较快、 鲁棒性强、收敛成功率高，是一种较好的解决非线性方程组的方法。
L-BFGS
- L-BFGS的相关资料，很齐全，共5个文件 -Of L-BFGS-related information, it is complete
Array-beamforming-optimization
- 本文给出了一种利用幅相加权对阵列天线进行全局优化的方法。为了使天线的辐射波束形成给定的 方向图，采用联合应用DFP和BFGS公式的变度量算法对阵列天线各单元的馈电幅度和相位分布进行优化， 通过C++语言编程计算实现，从而使得优化后的阵列天线主波束形状能够与预给波束形状相吻合，达到设计 要求。全局优化是本文的特色，它弥补了局部优化结果的精确度依赖于初始值的缺点，因而得以保证通过优 化得到的天线主波束与给定波束的主瓣相吻合，副瓣也得到有效控制。该方法具有快速收敛，计算量小等优 点
ADL32-Lecture03-Report1.rar
- CRFsuite: a fast implementation of Conditional Random Fields (CRFs) CRFSuite is an implementation of Conditional Random Fields (CRFs) for labeling sequential data. The first priority of this software is to train and use CRF models as fast as possi
A-hybrid
- 针对传统的ＢＰ或ＧＡ对模糊神经网络的识别应用存在收敛容易陷入局部极小 识别率低下等问题 提出一 种基于ＢＦＧＳ的混合遗传算法 其基本思想为 首先构造一种前馈型模糊神经网络结构 然后用遗传算法进化若干代 后 当目标函数的梯度或者范数小于预先设定值 则改用ＢＦＧＳ算法进行优化识别 仿真实验表明 对比ＧＡ该算法 收敛速度较快 识别精度提高了约７％ 能够较好地应用于一类模糊神经网络的识别-In traditional BP or GA to identify the application
FM-BFGS
- 这是钱箱神经网络的一种极其少见的优化算法，非常实用，大家放心使用。-This is an extremely rare cashbox neural network optimization algorithm, is very practical, we ease of use.
bfgs
- it s BFGS code,for optimization course
An-Improved-Learning-Algorithm-Based-on-BFGS-Meth
- This paper suggests that a simple modification to the initial search direction can also substantially improve the training efficiency of almost all major optimization methods. It was discovered that if the initial search direction is locally modified