针对无线传感器网络分簇路由协议所筛选簇头节点的位置分布不均衡及转发节点的数据传输路径不合理会加剧节点能量消耗、缩短网络生存周期的问题，提出一种基于改进粒子群优化算法的分簇路由协议。
在簇头选举过程中，通过定义节点的能量因子和位置均衡因子建立新的顺应度函数，评估和选择更优的候选簇头节点；
通过优化的自顺应学习因子调整候选簇头节点的位置更新速度，扩大局部搜索并加快全局搜索的收敛速度。
根据转发节点与基站的距离确定采用单跳还是多跳传输方式，设计一种基于最小生成树的多跳方法，为转发节点数据传输选择最优的多跳路径。
仿真测试结果表明，基于改进粒子群算法的分簇路由协议能够选举能量与位置更均衡的簇头节点和转发节点，缩短了网络的通信距离，节点的能耗更低且更均衡，有效延长了网络生存周期。

决策树算法与决策树相关的重要算法1、Hunt,Marin和Stone于1966年研制的CLS学习系统，用于学习单个概念。
2、1979年,J.R.Quinlan给出ID3算法，并在1983年和1986年对ID3进行了总结和简化，使其成为决策树学习算法的典型。
3、Schlimmer和Fisher于1986年对ID3进行改造，在每个可能的决策树节点创建缓冲区，使决策树可以递增式生成，得到ID4算法。
4、1988年，Utgoff在ID4基础上提出了ID5学习算法，进一步提高了效率。
1993年，Quinlan进一步发展了ID3算法，改进成C4.5算法。
5、另一类决策树算法为CART，与C4.5不同的是，CART的决策树由二元逻辑问题生成，每个树节点只要两个分枝，分别包括学习实例的正例与反例。
CLS,ID3，C4.5，CART第6章决策树

对方向包围盒(OBB)的计算方法进行了分析,并针对其不足之处进行了改进和优化。
利用改进后的OBB包围盒碰撞检测技术实现导梁架桥机中部件间碰撞的精确快速检测,并最终在VC++和OpenInventorAPI平台上实现了系统的逼真的仿真效果。

应用名：豆豆阅读器（BeanReader）适用平台：BlackBerry（JDE4.2.0版本之后）版本：v0.8.0（第一个发布版本）说明：【绝对原创】电子书阅读器，多语言（有中英文界面）多功能（支持UMD和几乎所有TXT）版。
（注：笔者没有中文模仿器，所以贴图使用英文版显示，用户使用中文系统，即可看到中文界面）这款阅读器的原型其实是笔者在一个项目中写过的一个看log的简单工具。
笔者正好也是电子书的爱好者，但是现有的工具都不是很喜欢，要不功能不全，要不是太繁琐。
于是通过不断的改进，最后终于有了现在的豆豆阅读器。
自己用着还不错，所以发布出来服务大家！功能：? 支持TXT以及UMD格式? 支持TXT格式中多种编码格式，包括：? Unicode? Unicode-BE? UTF-8? ISO-8859-1? US-ASCII? GB2313(即简体中文Windows系统中的默认ANSI格式)? 支持文件编码格式的自动检测（不需要用户设置）? 带文件系统浏览功能（方便找到本机及SD卡上的电子书）? 带阅读历史记录功能（方便复习……开个玩笑）? 阅读界面使用“豆绿色”背景，保护眼睛（咱是“豆豆”阅读器嘛！）? 贴心的时钟设计（看书不忘掌握时间）? 精确跳转功能（百分比跳转，精确到小数点后2位）? 双重进度显示（进度条，百分比）

大数据技能分享Hadoop技能分享360超大规模HBase集群的改进共43页.pdf

5改进Jakes模型/Zheng模型；

5改进Jakes模型/Zheng模型；

通过新一代高级语言Julia实现标准粒子群算法，代码简约，注释全，可拓展性强可直接用于求解无约束工程优化问题，也可基于此代码进行算法学术改进，算法应用拓展输入：决策变量数，种群规模，粒子群算法参数，最大迭代次数输出：最优解，最优适应度，测试问题三维描述图，动态粒子群更迭图，收敛迭代图

本文档包含main.m,pso.m,schaffer2.m文件，能够直接用于无约束优化问题求解，可在此基础上，对标准算法进行学术改进，和工程应用拓展。
该算法思路清晰，算法精简，正文全，可拓展性强。

本文针对火灾报警系统问题，建立熵权-topsis逻辑回归等数学模型，旨在通过所建模型来选取可靠的探测器、提高报警准确率及改进各辖区综合管理水平，从而减少我国火灾事故。
针对问题一，首先根据地址、机号和回路，确定真实火灾数为418起。
接着根据题目要求，基于可靠性和故障率两个指标建立综合评价模型。
由于可靠性为效益型指标，而故障率为成本型指标，故将故障率通过数学公式转换为效益型指标，即完善率。
指标确定后，运用熵权法确定各指标权重，最后利用topsis法构建各类型部件评价模型，对16种部件进行综合评价，帮助政府选择最可靠的5种火灾探测器类型，分别为光束感烟、手动报警按钮、智能光电探头、点型感温探测器、线性光束感烟。
针对问题二，建立基于logistic回归的区域报警部件类型智能研判模型。
本文选择故障次数、消防大队及探测器类型3个变量作为自变量，误报与否作为因变量，将消防大队和探测器类型两个无序分类变量变为虚拟变量，利用logistic回归模型预测辖区内某类型部件发出报警信息正确的概率，经检验模型的真实性为。
经检验结果有所偏差，故进行模型优化用woe值代替原值计算，使得结果愈加真实可靠。

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。