基于天牛觅食原理的优化算法：天牛须搜索

针对复杂优化问题的求解，提出一种结合细菌趋化性、细胞间通信和自适应觅食策略的细菌菌落觅食优化算法。该算法通过细胞间通信共享历史搜索经验，有效提升了算法的收敛性。自适应策略允许细菌个体集中深入地探索有潜力的区域，并对其他区域进行更广泛的搜索。通过对经典和组合测试函数集的严格性能分析，以及与四种最新参考算法的比较，验证了该算法的有效性。结果表明，该算法在个体和群体觅食行为上均表现出显著的性能优势，优于现有参考算法。

BFO的详细代码已提供，可直接执行，并包含优化函数在Cost中。附带有注释，包括参数解释，便于学习。

该算法灵感源自于开关电路中电容器和电感器的瞬态行为。瞬态搜索算法（TSO）已发表在应用智能期刊：https://link.springer.com/article/10.1007/s10489-020-01727-y

在图论中，有向无环图（DAG）的节点时间标记是进行拓扑排序、关键路径分析等算法的基础。介绍一种基于深度优先搜索的DAG节点时间标记算法，并对其进行优化以提高效率。 算法描述 该算法使用深度优先搜索遍历DAG，并在搜索过程中记录每个节点的开始时间和结束时间。开始时间表示节点被首次访问的时间，结束时间表示节点的所有邻接节点都被访问完毕的时间。 算法步骤： 初始化：创建一个数组 pre 用于存储每个节点的开始时间，创建一个数组 post 用于存储每个节点的结束时间，并将所有元素初始化为0。创建一个变量 tag 用于记录当前时间戳，初始化为0。 深度优先搜索：从DAG的任意一个节点开始进行深度优先搜索。 访问节点 cur 时，将 pre[cur] 设置为 ++tag，表示节点 cur 的开始时间为当前时间戳。 递归访问节点 cur 的所有未被访问的邻接节点。 当节点 cur 的所有邻接节点都被访问完毕后，将 post[cur] 设置为 ++tag，表示节点 cur 的结束时间为当前时间戳。 重复步骤2，直到所有节点都被访问。 算法优化 上述算法的时间复杂度为 O(V+E)，其中 V 是节点数，E 是边数。为了进一步提高效率，可以进行以下优化： 使用邻接表存储图： 邻接矩阵的空间复杂度为 O(V^2)，而邻接表的空间复杂度为 O(V+E)。对于稀疏图，使用邻接表可以节省存储空间。 标记已访问节点： 在深度优先搜索过程中，可以使用一个数组标记已经访问过的节点，避免重复访问。 总结 介绍了一种基于深度优先搜索的DAG节点时间标记算法，并对其进行了优化。该算法简单易懂，效率较高，可以应用于各种图论算法中。

详细介绍了细菌觅食算法的基本原理和在MATLAB中的实现方法，适合初学者学习和应用。该算法结合生物细菌的觅食行为，能有效解决优化问题。

当前推荐系统研究的主要挑战在于提升推荐准确度和用户满意度。为了克服现有算法的局限性，提出了一种全局搜索能力强的智能优化算法——布谷鸟搜索算法，并结合K-means聚类算法进行了改进。基于Movielens数据集，设计了基于布谷鸟搜索的聚类推荐系统框架，并分析了关键技术及现存问题，同时提出了未来的研究方向。

该项目提供了一个 MATLAB 函数，用于寻找单峰函数在给定区间上的最小值。它利用黄金分割搜索算法高效地逼近最小值点。

《基于粒子群算法的多目标搜索算法》PSO是一种仿生计算方法，源自对鸟群或鱼群集体行为的观察，其在解决复杂优化问题时展现出强大的能力。本资源提供的“基于粒子群算法的多目标搜索算法”处理具有多个相互冲突的目标函数的问题，这在工程设计、资源分配等领域中非常常见。多目标优化与单目标优化不同，其目标是寻找一组非劣解，而非单一最优解。在多目标问题中，找到这个前沿并从中选择满足特定需求的解决方案是一项挑战。粒子群算法在多目标优化中的应用，通常涉及到将每个粒子视为一个潜在的解，每个解对应于目标空间中的一个点。在压缩包中，主要包含了主程序文件main.m和参数数据文件data.mat，分别用于算法的实现和测试数据的读取。优化过程中，还需要注意避免早熟收敛和陷入局部最优。

Whisking-Analysis 是一个 MATLAB 代码库，用于分析小鼠拂动视频，适用于静止、自由旋转或触须与物体接触的视频。 分析流程： 使用 Sony PS3eye 相机收集视频。 使用 whiski() 函数跟踪每一帧中的假定触须对象。 运行 GUI 设置参数，过滤非触须对象，并保存分析变量，例如每帧触须角中值或触须功率。 运行方法： 运行 GUI 界面 (analyzeWhiskersSetup_gui_v2.m)，按照指导完成每个步骤。 主要分析脚本为 traceAnalysis_new.m，可用于了解分析过程。 下一步计划是将触须时间序列数据与其他实验数据（例如神经数据或行为数据）结合起来进行分析。