优化算法

2025年9月一区SCI-孤行尺蠖觅食优化算法Solitary Inchworm Foraging-附Matlab免费代码本期介绍一种新的创新算法——孤行尺蠖觅食优化算法Solitary Inchworm Foraging Optimization，SIFO。该算法采用一种独特的单智能体搜索机制，对尺蠖的行为进行数学建模。开发了并行通信策略，使并行代理之间能够进行信息交换，在保证计算效率的同时提高解的质量。于2026年3月最新发表在 JCR 1区，中科院1区(小区)期刊 Applied Mathematical Modelling。

算法基础篇：（六）基础算法之双指针 —— 从暴力到高效的优化艺术前言一、双指针算法是什么？—— 不止是 “两个指针” 那么简单1.1 核心定义与本质1.2 双指针的核心前提

理解BFGS算法在无约束最优化领域，拟牛顿法（Quasi-Newton Methods），特别是BFGS算法，是应用最广泛、效果最显著的算法之一。其关键在于构造一个对Hessian矩阵的近似。那么，既然任何正定矩阵都能保证搜索方向是下降方向，为何还需要通过复杂的BFGS公式来构造这个近似矩阵？本文从理论层面剖析，说明BFGS算法设计的精髓不止于保证下降，更在于通过“割线条件”和正定性保持，实现对牛顿法的高效、稳定模拟，从而获得快速的收敛速度。

异构算力老群群

2025 爆火！海市蜃楼优化算法 MSO（Mirage Search Optimization）：物理灵感 + 数学建模 + 实战代码，一文吃透前沿群智能算法家人们谁懂啊！2025 年刚出炉的 MSO（Mirage Search Optimization）海市蜃楼优化算法，直接凭 “物理现象复刻 + 双策略优化” 横扫群智能领域！发表在 JCR 一区 SCI 期刊的它，用海市蜃楼的光折射原理，完美解决了传统算法 “探索不彻底、开发不精准” 的痛点。本文不仅扒透算法核心逻辑、公式细节，还附实战案例和代码思路，小白也能快速上手，赶紧码住这篇前沿干货！

2025年7月一区SCI优化算法-Logistic-Gauss Circle optimizer-附Matlab免费代码近年来，在合理框架内求解优化问题的元启发式算法的发展引起了全球科学界的极大关注。本期介绍一种新的创新算法——Logistic-Gauss Circle optimizer，LGC。该算法将Logistic映射和Gauss映射合理地结合并重新表述为Logistic-Gauss搜索（探索）；将Circle映射重新表述为Circle搜索（开发），于2025年7月最新发表在 JCR1区，中科院1区SCI 期刊 Applied Mathematical Modelling。

2025年8月SCI-汉尼拔·巴卡优化算法Hannibal Barca optimizer-附Matlab免费代码本期介绍一种新的创新算法——汉尼拔·巴卡优化算法Hannibal Barca optimizer，HBO。灵感来自古代迦太基将军的战略智慧，HBO通过将汉尼拔著名的钳形运动的战略原则与视差学习的新先进优化方法相结合，巧妙地解决了复杂的多维优化挑战，于2025年8月最新发表在 JCR1区，中科院3区SCI 期刊 Cluster Computing。

【2025年10月一区SCI】改进策略：Trend-Aware Mechanism 趋势感知机制（TAM）-附Matlab免费代码根据“没有免费的午餐”，没有一个单一的群体智能优化算法可以解决所有的优化问题，每一个群体智能优化算法都有局限性和限制。所以很多学者根据自身的专业问题需求，对基础优化算法进行了改进和提升，以期获得更为优秀的性能。那么你在尝试改进算法性能时，经常会遇到：

粒子群优化（PSO）算法详解：从鸟群行为到强大优化工具本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！

胖哥真不错

数据集： TSPLIB旅行商问题-对称TSP数据集说明：如需数据可以直接到文章最后获取。TSPLIB的对称旅行商问题（Symmetric Traveling Salesman Problem, TSP）数据集是研究和解决经典组合优化问题的重要资源。TSP的核心在于寻找一条最短路径，使得旅行者从起点出发，恰好访问每个给定城市一次后返回起点，其中从一个城市到另一个城市的距离与方向无关。该数据集包含了来自不同来源、规模各异的问题实例，从小型示例到包含数千个城市的大型挑战应有尽有。这些实例不仅用于评估新算法的性能，也是教学中不可或缺的一部分，帮助学生理解复杂优化

2025年6月最新SCI-灰熊脂肪增长优化算法Grizzly Bear Fat Increase-附Matlab免费代码本期介绍一种受自然启发的创新算法——灰熊脂肪增长优化算法Grizzly Bear Fat Increase optimizer，GBFIO。GBFIO算法模仿灰熊为准备过冬而积累身体脂肪的自然行为，借鉴了它们的狩猎、捕鱼、吃草、蜂蜜等策略。于2025年6月发表在JCR 1区，中科院3区 SCI 期刊 Biomimetics。

2025年7月Renewable Energy-冬虫夏草优化算法Caterpillar Fungus Optimizer-附Matlab免费代码本期介绍一种创新元启发式算法——冬虫夏草优化算法Caterpillar Fungus Optimizer，CFO 。以冬虫夏草独特的形成过程为灵感，阐述了所拟CFO的概念框架和模型构建。于2025年7月在线发表、2026年1月正式发表在JCR 1区，中科院1区 SCI 能源领域期刊 Renewable Energy。

2025年7月一区SCI-投影迭代优化算法Projection Iterative Methods-附Matlab免费代码本期介绍一种创新元启发式算法——投影迭代优化算法 Projection-Iterative-Methods-based Optimizer (PIMO) 。PIMO是一种受投影迭代法启发的新型元启发式算法。于2025年7月在线发表、9月正式发表在JCR 1区，中科院1区 SCI 期刊 Knowledge-Based Systems。

2025年一区SCI-回旋镖气动椭圆优化算法Boomerang Aerodynamic Ellipse-附Matlab免费代码本期介绍一种新的元启发式算法——回旋镖气动椭圆优化算法Boomerang Aerodynamic Ellipse Optimizer (BAEO)。该优化器的灵感来自于飞行中的回旋镖的空气动力学行为，明确地建模了释放角和发射力如何塑造其轨迹。于2025年7月最新发表在JCR 1区，中科院2区 SCI 期刊 Mathematics and Computers in Simulation。

2025最新智能优化算法：沙狐优化（Rüppell‘s Fox Optimizer，RFO）算法求解23个经典函数测试集，完整MATLAB代码沙狐优化（Rüppell’s Fox Optimizer，RFO）算法是2025年提出的一种新型元启发式优化算法，灵感来源于Rüppell狐（一种沙漠狐）在自然环境中的觅食行为。该算法通过模拟Rüppell狐的视觉、听觉和嗅觉能力，以及其在白天和夜晚的狩猎策略，来解决全局优化问题。

2025年6月一区-田忌赛马优化算法Tianji’s horse racing optimization-附Matlab免费代码近年来，在合理框架内求解优化问题的元启发式算法的发展引起了全球科学界的极大关注。本期介绍一种新的元启发式算法——田忌赛马优化算法Tianji’s horse racing optimization，THRO。以中国历史上的田忌赛马故事为灵感，这个故事讲述了田忌如何利用自己的优势来抵消对手的弱点，最终在比赛中获胜。于2025年6月最新发表在JCR 1区，中科院1区 SCI计算机类期刊 Artificial Intelligence Review（影响因子IF：13.9）。

遗传算法的原理与实现示例遗传算法是一种受生物进化理论启发的随机优化算法，其核心思想是模拟自然界中 “物竞天择、适者生存” 的进化过程，通过对候选解的迭代优化，找到问题的最优解。

【深度学习优化算法】02：凸性【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈PyTorch深度学习 ⌋ ⌋ ⌋ 深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重要的技术特征是具有自动提取特征的能力。神经网络算法、算力和数据是开展深度学习的三要素。深度学习在计算机视觉、自然语言处理、多模态数据分析、科学探索等领域都取得了很多成果。本专栏介绍基于PyTorch的深度学习算法实现

2025年6月一区SCI-不实野燕麦优化算法Animated Oat Optimization-附Matlab免费代码近年来，在合理框架内求解优化问题的元启发式算法的发展引起了全球科学界的极大关注。本期介绍一种新的元启发式算法——不实野燕麦优化算法Animated Oat Optimization algorithm，AOO。该算法模拟了不实野燕麦的3种独特行为，于2025年6月最新发表在JCR 1区，中科院1区 SCI计算机类期刊 Knowledge-Based Systems。

狗蛋不是狗

Python 实现的运筹优化系统数学建模详解(多目标规划模型）在数学建模的广阔领域中，多目标规划模型占据着极为重要的地位。它致力于在复杂的实际场景里，同时优化多个相互冲突的目标，寻求一组决策变量，让多个目标函数在满足特定约束条件下达到某种平衡。这种模型广泛应用于生产调度、资源分配、投资决策等众多领域，为解决现实中的复杂问题提供了强大的工具。本文将深入探究多目标规划模型的核心原理、详细的算法实现过程，深入解读其 Python 代码，并全面探讨它在各类实际场景中的应用。

狗蛋不是狗

Python 实现的运筹优化系统数学建模详解(最大最小化模型)在数学建模的实际应用里，最大最小化模型是一种极为关键的优化模型。它的核心目标是找出一组决策变量，让多个目标函数值里的最大值尽可能小。该模型在诸多领域，如资源分配、选址规划等，都有广泛的应用。本文将深入剖析最大最小化模型的原理、算法实现，详细解读其 Python 代码，并探讨它在不同场景下的应用。