东华大学沈波教授团队在2022年提出蜣螂优化算法 (Dung Beetle Optimizer，DBO) [1]，该算法与PSO、GWO、WOA、SSA、SCA、MVO、HHO相比均显示出一定然而，它有其他SI算法存在的问题，如全局探索和局部开发能力不平衡、面对复杂问题的易陷入局部最优等，其收敛速度和精度仍有改进的可能。因此针对DBO存在的问题，KAU将对DBO进行改进。

去雾系统V3新增了基于深度学习的去雾算法，集成直方图均衡化、Retinex、MSR、MSRCR、暗通道先验、改进的暗通道、两种深度学习算法。

概述了matlab绘图函数中部分参数的设置，以及通过set修改图像的基本操作

主要更新CEC2005中的测试本文KAU将介绍一个2022年发表在中科院1区期刊KBS上的优化算法——白鲸优化算法(Beluga Whale Optimization，BWO)[1]该算法由大连理工大学学者Zhong等人[1]于2022年提出，其模拟了白鲸游泳、捕食和鲸落行为，与15种优化算法在30个基准函数和4个真实优化问题上进行测试，均显示出其惊艳的性能，目前也成功应用于机器学习、电力系统经济

本文是作者遗传算法系列之篇五，前面已经系统地讲解了遗传算法基本原理、简单应用以及一种改进方法在此基础上，本文将再次引入一种遗传算法的改进算法——量子遗传算法，下面将从理论原理、算法流程以及程序实现上进行详细展开。

去雾系统V3新增了基于深度学习的去雾算法，集成直方图均衡化、Retinex、MSR、MSRCR、暗通道先验、改进的暗通道、两种深度学习算法。

然后将支配等级为1的解筛出，再从剩下的个体中选出Pareto解，其支配等级为2，以此循环，直至整个种群完成分级，则支配等级越低的解将支配支配等级高的解，此即非支配排序。为了将多目标能力添加到WOA算法中，NSWOA主要在WOA的框架上增加了对个体的非支配排序，通过拥挤度计算和精英保留策略（与NSGA-II类似），筛选出优秀非支配个体引导种群，并进行种群的进化。以上是WOA的流程，由于多目标问题的特

主要更新CEC2005中的测试本文KAU将介绍一个2023年发表在1区期刊KBS上的优化算法——星鸦优化算法(Nutcracker Optimization Algorithm，NOA)[1]该算法由Mohamed Abdel-Basset等于2023年提出，Mohamed Abdel-Basset教授同时也是开普勒、光谱、蜘蛛蜂等优化器的提出者。而本文要介绍的NOA灵感来源于生活在美国西部和加拿

文章来源于我的个人公众号：KAU的云实验台，主要更新智能优化算法的原理、应用、改进进化算法(EA)是模拟生物在自然环境中的进化过程而形成的一类自适应全局优化概率搜索算法。进化算法同时对整个群体进行操作，单次运行可以搜索到多个解，可以处理传统优化方法难以解决的复杂优化问题，因此进化算法非常适用于求解多目标优化问题。在多目标进化算法的发展中，SPEA是经典的第二代多目标优化算法。经典的第二代多目标优化

本文介绍了蚁群算法应用于TSP问题，实际上蚁群算法虽然有很多优点，如：开放性、鲁棒性、分布式计算等优点‚但同时也存在搜索效率低、收敛速度慢、易陷入局部最优等缺点，因此存在继续改进该算法的空间。同时，蚁群算法不仅可应用于各种路径优化问题中，也可在连续问题中应用，后续作者也会更新这方面的文章，欢迎关注。