一个基于stm32f030单片机的AES128bit加解密算法例程，该算法我已经验证通过并做了部分优化，该算法的加解密方式为AES-128bit/ECB/PKCS5PaddingAES加密过程是先通过key进行加密，然后利用base64方式编码变成了最终的密文。
解密过程正好相反，是先利用base64方式解码，然后利用key进行解密成最终的明文。
该算法比较占内存，当然也跟你需要加解密的数据长度有关。
算法当中用到了malloc分配内存空间，如果运行不成功，建议将单片机堆栈稍微改大一点再试。
解密过程正好相反，是先利用base64方式解码，然后利用key进行解密成最终的明文。
该算法比较占内存，当然也跟你需要加解密的数据长度有关。
算法当中用到了malloc分配内存空间，如果运行不成功，建议将单片机堆栈稍微改大一点再试。
2024/2/24 21:57:49
1.59MB
1
无推搜索致力于剔除商业广告，商业推广，软件公司全家桶；
优化搜索算法；
整合世界优秀搜索引擎并综合用户评价进行搜索排名；
为大众打造一款轻便高效绿色无污染的搜索工具而努力目前版本仅整合百度。
本人真是被无良百度的竞价排名恶心到了，又无奈国内没有更好的搜索工具可供使用，百度在搜索方面还是最适合国人的，为了防止魏则西事件再次发生，本人希望国内代码高手可以一起来开发出一款整合世界各大优秀搜索引擎，剔除广告，竞价排名等垃圾，打造一款正真优秀的全面搜索工具。
为推动无推搜索的发展，我将现在版本的无推搜索完全开源。
欢迎与我交流。
优化搜索算法；
整合世界优秀搜索引擎并综合用户评价进行搜索排名；
为大众打造一款轻便高效绿色无污染的搜索工具而努力目前版本仅整合百度。
本人真是被无良百度的竞价排名恶心到了，又无奈国内没有更好的搜索工具可供使用，百度在搜索方面还是最适合国人的，为了防止魏则西事件再次发生，本人希望国内代码高手可以一起来开发出一款整合世界各大优秀搜索引擎，剔除广告，竞价排名等垃圾，打造一款正真优秀的全面搜索工具。
为推动无推搜索的发展，我将现在版本的无推搜索完全开源。
欢迎与我交流。
2024/1/13 8:02:20
6.02MB
1
为了提高用户满意度,需要在大量具有相同或相似功能的资源服务中筛选出满足用户需求的最优资源服务,从而实现资源服务的增值。
以三角模糊数表达用户对资源服务非功能QoS评价为基础,在考虑用户的感知和交易经验的同时,综合考虑了资源服务非功能QoS评价合成中的各种因素如时间、用户信誉度、评价一致性等的影响,结合模糊fuzzy理论以及逼近理想解排序,进而提出了基于fuzzyTOPSIS的资源服务优化选择算法。
实验结果表明,该算法具有较高的准确度,并可在一定程度上抵制恶意评价对资源服务质量评价的影响。
以三角模糊数表达用户对资源服务非功能QoS评价为基础,在考虑用户的感知和交易经验的同时,综合考虑了资源服务非功能QoS评价合成中的各种因素如时间、用户信誉度、评价一致性等的影响,结合模糊fuzzy理论以及逼近理想解排序,进而提出了基于fuzzyTOPSIS的资源服务优化选择算法。
实验结果表明,该算法具有较高的准确度,并可在一定程度上抵制恶意评价对资源服务质量评价的影响。
2023/11/14 0:23:39
1.08MB
1
一个bp神经网络进行交通预测的Matlab源代码，里面备有较为详细的注释，供给初学者！不仅有最初的bp模型，还包括优化的算法，总共有多个程序段，大家可以根据自己的数据情况选择适合的神经网络结构！
2023/8/10 8:21:15
287KB
1
本文件功能：用BP神经网络预测温湿度。
本次仿真，预测模型为8*8*8*1，输入数据为359天数据（一个小时测一个数据，一天数据为24）。
其中350天数据做训练样本，用来训练BP网络模型的权值和阈值，4天用来做测试样本，用来测试3天左右的温湿度预测值。
本次训练效果比较上次仿真较为准确，判定系数可以达到0.8左右（越靠近1表明仿真效果越好），预测值与实际值点状图基本围绕在主对角线左右，MSE平方误差可以达到0.01，BP网络预测输出图也可以看出预测值的变化趋势基本与期望值一致。
本次仿真存在不足：1.未修改学习率、附加动量等参量没有解决BP网络收敛慢的问题。
2.没有使用全局优化的算法，没有解决BP容易陷入极值点的问题。
这种用BP网络来进行预测的模型网上有很多，但是大多数都是预测风力发电等，可能也是因为该BP模型是40年代所提出，我是没有找到有温湿度的预测，该代码纯属自己改写的，并且运行无误，现在分享出来，让大家节省一些时间去研究更有深度的算法。
本次仿真，预测模型为8*8*8*1，输入数据为359天数据（一个小时测一个数据，一天数据为24）。
其中350天数据做训练样本，用来训练BP网络模型的权值和阈值，4天用来做测试样本，用来测试3天左右的温湿度预测值。
本次训练效果比较上次仿真较为准确，判定系数可以达到0.8左右（越靠近1表明仿真效果越好），预测值与实际值点状图基本围绕在主对角线左右，MSE平方误差可以达到0.01，BP网络预测输出图也可以看出预测值的变化趋势基本与期望值一致。
本次仿真存在不足：1.未修改学习率、附加动量等参量没有解决BP网络收敛慢的问题。
2.没有使用全局优化的算法，没有解决BP容易陷入极值点的问题。
这种用BP网络来进行预测的模型网上有很多，但是大多数都是预测风力发电等，可能也是因为该BP模型是40年代所提出，我是没有找到有温湿度的预测，该代码纯属自己改写的，并且运行无误，现在分享出来，让大家节省一些时间去研究更有深度的算法。
2023/8/2 9:25:48
2.28MB
1
以优化SVM算法的参数c和g为例，对SA（模拟退火）算法MATLAB源码进行了逐行中文注解。
是很好的学习材料。
是很好的学习材料。
2023/6/10 14:16:34
9KB
1
付与栅格对于机械人的责任空间举行松散，再行使优化算法对于机械人路途优化，是付与智能算法求最优路途的一个典型下场。
目前，付与蚁群算法在栅格舆图上举行路途优化患上到比力好的下场，而行使遗传算法在栅格舆图上举行路途优化在算法显患上愈加难以实现。
行使遗传算法处置栅格舆图的机械人路途方案的难点首要搜罗：1保障路途不陆续，2保障路途不穿过挫折。
用遗传算法处置优化下场时的步骤是牢靠的，便是种群初始化，遴选，交织，变异，顺应度盘算如许，那末上面我就说一下遗传算法求栅格舆图中机械人路途方案在每一个步骤的下场、难点以及处置行为。
目前，付与蚁群算法在栅格舆图上举行路途优化患上到比力好的下场，而行使遗传算法在栅格舆图上举行路途优化在算法显患上愈加难以实现。
行使遗传算法处置栅格舆图的机械人路途方案的难点首要搜罗：1保障路途不陆续，2保障路途不穿过挫折。
用遗传算法处置优化下场时的步骤是牢靠的，便是种群初始化，遴选，交织，变异，顺应度盘算如许，那末上面我就说一下遗传算法求栅格舆图中机械人路途方案在每一个步骤的下场、难点以及处置行为。
2023/4/5 5:24:18
5KB
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