说明：(径向基函数)神经网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等(rmf netural network matlab)

rbf故障诊断 故障诊断 控制 RBF 神经网络

说明：详细描述了蝙蝠算法的原理，有几篇文档资料。还有蝙蝠算法源码

蝙蝠算法matlab 蝙蝠算法 bat_algorithm bat算法

说明：拟牛顿法和最速下降法(Steepest Descent Methods)一样只要求每一步迭代时知道目标函数的梯度。通过测量梯度的变化，构造一个目标函数的模型使之足以产生超线性收敛性。这类方法大大优于最速下降法，尤其对于困难的问题。另外，因为拟牛顿法不需要二阶导数的信息，所以有时比牛顿法(Newton...

拟牛顿迭代法 无约束优化 拟牛顿法 导数约束 优化 s函数

说明：使用最小二乘法平差，进行圆柱拟合，两次平差可以控制初始值尽量使结果收敛

fitofcylinder matlab圆柱拟合 圆柱拟合 平差MATLAB MATLAB拟合圆柱

说明：GS算法可以生成相位屏，该算法有着编程简单，收敛速度快，衍射效率高，能将高斯光转换成高阶高斯光，一阶空心高斯光，贝塞尔高斯光。

GS相位屏 GS算法 高斯光

说明：本文研究了有限反馈下基于博弈论的联合功率分配与反馈速率控制优化问题。通过建立新的博弈模型，证明了其纳什均衡的存在性。同时，根据功率与反馈速率的关系，提出了一种迭代算法，可快速收敛到博弈不动点。仿真结果表明，联合优化算法的性能优于单单考虑反馈速率的算法。

有限反馈 功率优化分配 博弈功率控制 博弈迭代功率

说明：使用matlab工具，进行多智能体的Q学习算法的研究仿真，是目前几乎所有行业都在进行的最前沿工作。由于最优值计算的复杂性以及收敛速度的限制，所以目前研究人员使用各种学习方法，进行最优配置的研究。其中Q学习就是当前动态学习中最有前途的一种学习方法。

多智能体 Q学习算法 Q学习 动态学习

说明：原对偶内点法求解非线性最优问题的测试程序，能准确快速的收敛到最优值

内点法 内点法-非线性 原对偶内点法 原对偶内点 内点法优化

说明：本程序对两种固定步长和一种变步长最小均方误差算法的权值收敛进行了仿真结果表明变步长的算法效果更优。

变权值 步长 变步长算法 vsLMS-matlab VSLMS-Algorithm

说明：33节点配电网潮流计算，应用前退回带法，计算简单，收敛迅速

33节点配电网 潮流33节点 power-flow 33-node 配电网潮流