爱投,安装版，版本：1.3.129更新：2021-1-27，itou_1.3.129_new.ga.exe
2024/9/27 17:58:49
93.01MB
1
采用基于工序编码的交叉算子，对传统车间调度问题使用遗传算法求解。
并采用基准的实例进行验证，例如FT6或者MT6等。
注释比较全面，代码可读性好。
并采用基准的实例进行验证，例如FT6或者MT6等。
注释比较全面，代码可读性好。
2024/9/16 0:26:37
97KB
1
本文件包括源码，实验说明文档，实验总结PPTHaveahappyexperiment！
2024/9/15 17:14:20
340KB
1
C++的AzureSDK该存储库用于主动开发适用于C++的AzureSDK。
对于SDK的使用者，我们建议访问我们的或版本控制的。
入门要开始使用库，请参阅位于库项目文件夹中的README.md文件。
您可以在/sdk目录中找到按服务分组的这些库文件夹。
有关教程，示例，快速入门和其他文档，请转到。
可用包每个服务可能具有来自以下各个类别的大量库：客户：新版本我们以GA形式发布了新一轮的软件包，其中一些目前正在beta版中发布。
这些库遵循的并共享许多核心功能，例如HTTP重试，日志记录，传输协议，身份验证协议等，因此一旦您学习了如何在一个客户端库中使用这些功能，便可以知道如何在其他客户端库中使用它们。
您可以在了解这些共享功能。
这些新的客户端库可以通过其文件夹，程序包和名称空间的命名来标识。
每个服务均以azure开头，然后是服务类别，然后是服务名称。
例如azure-storage-blobs。
有关可用软件包的完整列表，请参见页面。
注意：如果您需要确保代码已准备好投入生产，我们强烈建议您使用稳定的非beta库之一。
客户端：以前的版本可供生产
对于SDK的使用者，我们建议访问我们的或版本控制的。
入门要开始使用库，请参阅位于库项目文件夹中的README.md文件。
您可以在/sdk目录中找到按服务分组的这些库文件夹。
有关教程，示例，快速入门和其他文档，请转到。
可用包每个服务可能具有来自以下各个类别的大量库：客户：新版本我们以GA形式发布了新一轮的软件包，其中一些目前正在beta版中发布。
这些库遵循的并共享许多核心功能，例如HTTP重试，日志记录，传输协议，身份验证协议等，因此一旦您学习了如何在一个客户端库中使用这些功能，便可以知道如何在其他客户端库中使用它们。
您可以在了解这些共享功能。
这些新的客户端库可以通过其文件夹，程序包和名称空间的命名来标识。
每个服务均以azure开头，然后是服务类别，然后是服务名称。
例如azure-storage-blobs。
有关可用软件包的完整列表，请参见页面。
注意：如果您需要确保代码已准备好投入生产，我们强烈建议您使用稳定的非beta库之一。
客户端：以前的版本可供生产
2024/8/13 17:20:24
1.07MB
1
简单学习下GA的生成算法，写了个小工具；
当做学习记录可以去哈勃看看： https://habo.qq.com/file/showdetail?md5=512eea7730feda2bc412df8dcfd061ef&pk=ADcGY11uB24IPls%2FU2o%3D
当做学习记录可以去哈勃看看： https://habo.qq.com/file/showdetail?md5=512eea7730feda2bc412df8dcfd061ef&pk=ADcGY11uB24IPls%2FU2o%3D
2024/6/24 15:03:53
368KB
1
遗传算法C++实现控制台演示版本附有详尽注释注：因为是单数浮点数编码，所以未使用基因重组函数如果看完仍然不懂，欢迎参看本人博客的一篇关于GA的文章http://blog.csdn.net/emiyasstar__/article/details/6938608
2024/6/15 19:20:56
4KB
1
本文基于支持向量机（SVM）和改进的粒子群优化（IPSO）算法（SVM-IPSO）创建了双向预测模型，以预测碳纤维的性能和生产参数。
在SVM中，选择对预测性能有重要影响的参数至关重要。
提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。
SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。
受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出；
在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。
来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA-IPSO）方法在大多数实验中都是如此。
换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。
在SVM中，选择对预测性能有重要影响的参数至关重要。
提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。
SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。
受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出；
在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。
来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA-IPSO）方法在大多数实验中都是如此。
换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。
2024/5/15 2:02:19
536KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB