学生成绩统计分析系统，主要是重点是分析功能，做了好几个数学模型包括： 方差 正态分布，标准差，变异系数等等，绝对原创，给人做的毕业设计

跟随变异粒子扰动变化的惯性权重PSO算法 (2015年)

【优化求解】基于动态全局搜索和柯西变异改进的花授粉算法matlab源码.md

<html dir="ltr"><head><title></title></head><body>针对当前各种粒子群优化算法解决问题时存在的局限性, 提出一种基于混合策略自适应学习的粒子群优化算法(HLPSO). 该算法从收敛速度、跳出局部极值、探索、开发几个不同角度融合了4 种具有不同优势的变异策略,当面对不同形态的复杂问题时通过自适应学习机制选择出合适的策略来完成全局寻优. 通过对7 个标准测试函数的仿真实验并与其他算法相比较, 所得结果表明了所提出的算法具有较快的收敛速度、较高的精度以及很强的跳出局部极值的能力.</body></html>

自动测试案例生成 使用带有变异测试的遗传算法自动生成测试案例 包含最终报告

针对智能单粒子优化算法(ISPO)容易出现算法早熟、收敛精度低的现象, 提出一种基于高斯变异的智能单粒子算法(GISPO)。当粒子陷入局部最优值, 每一维速度会降到一定的阈值, 整个粒子进化处于缓慢阶段; 此时给予搜索到的历史最优极值一个自适应的高斯变异扰动, 会大大提高粒子的逃逸能力, 帮助粒子快速地跳出局部极值点, 不断地向全局最优解靠近。通过几个标准测试函数进行实验, 结果表明该算法的收敛速度、搜索精度和稳定性均优于ISPO算法。

针对旅行商问题(TSP)优化中,遗传算法(GA)容易陷入局部最优、模拟退火算法(SA)收敛速度慢的问题,提出一种基于改进遗传模拟退火算法(IGSAA)的TSP优化算法.首先根据优化目标建立数学模型;然后对遗传算法部分中的适应度函数、交叉变异算子进行改进,使算法能够更加有效地避免陷入局部最优;最后根据旧种群和新种群每个对应个体的进化程度提出一种改进自适应的Metropolis准则,使模拟退火算法部分的染色体跳变更具有自适应性,利于算法寻优.对不同TSP实例的实验结果表明,与其他路径优化算法优化结果相比,所提出的IGSAA算法能够对不同TSP实例优化得到更优的旅行路径.

心率变异（HRV）分析是一项在研究和临床中广泛使用的重要应用。LabVIEW包含多个信号处理VI，使用户可以非常方便地创建自定义的HRV分析应用。本文介绍了利用LabVIEW进行HRV分析的应用与实践。

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。

②实值变异 当个体的染色体采用实数编码表示时，其变异操作应采用实值变异方法。该方法是用另外一个在规定范围内的随机实数去替换原变异位置上的基因值，产生一个新的个体。最常用的实值变异操作有: 基于位置的变异方法 该方法是先随机地产生两个变异位置，然后将第二个变异位置上的基因移动到第一个变异位置的前面。 例4.13 设选中的个体向量C=20 16 19 12 21 30，若随机产生的两个变异位置分别时2和4，则变异后的新的个体向量是： C’= 20 12 16 19 21 30 基于次序的变异 该方法是先随机地产生两个变异位置，然后交换这两个变异位置上的基因。 例4.14 设选中的个体向量D=20 12 16 19 21 30，若随机产生的两个变异位置分别时2和4，则变异后的新的个体向量是： D’= 20 19 16 12 21 30 4.3.2 遗传算法 5. 基本遗传操作(11/11)