这是以下论文的matlab源代码：SankalapArora，SatvirSingh，“蝴蝶优化算法：全局优化的新方式”DOI：https：//doi.org/10.1007/s00500-018-3102-4。
资源里包含该论文原件和matlab代码

1.Qt下，多线程使用互斥锁安全访问同一全局变量；
2.源码中定义了ThreadA和ThreadB，定义变量后，顺次调用函数start（）来启动重写的run()函数

粒子群优化(ParticleSwarmOptimization-PSO)算法是近年来发展起来的一种新的进化算法(EvolutionaryAlgorithm-EA).PSO算法属于进化算法的一种,和遗传算法相似,它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价解的质量.但是它比遗传算法规则更为简单,它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作.它通过追随当前搜索到的最优值来寻找全局最优。

汉化方法：与官方语言包使用一致，运行时辰汉化只需将包解压到运行目录，设计时辰需要将包内的DLL文件GAC至全局（如何GAC请百度，网上教程很多），XAF需要新增语言zh-CHS，然后将汉化包解压至运行目录。

本人编的人工鱼群算法优化3层前向神经网络，为MATLAB代码，保证可以运行

优点——RBF神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。
具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此在彩票等非线性大数据分析预测方面，有着很大的应用市场。
具有局部逼近的优点RBF神经网络是一种功能优良的前馈型神经网络，RBF网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力，从根本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。
只要在MATLAB（R2014b）平台上，通过运行径向基神经网络“RBF_SSQ”就可以快速预测。
预测系统推荐两注（参数可修改），单注可每号+-1，最多可12个号复试；
也可直接单注投注。
单注中奖率一般在2个以上，复试一般在4-6个红球。
预测可靠性远远高于网络彩票预测机构的水准。

基于深度学习的监督学习，使用梯度下降、ALS、LFM算法，使用AngularJS2生成前端框架，数据库为MongoDB，使用ElasticSearch作为搜索服务器，Redis作为缓存数据库，其中包括Spark的离线统计服务、Azkaban的工作调度服务、Flume的日志采集服务、Kafka作为消息缓冲服务，全局采用Scala编写，Java作为Tomcat部署使用，实现离线推荐、实时推荐、服务器冷启动问题处理。

结合邓俊辉老师课程进行学习，内含习题。
为了体现教材的先进性，作者研读并参考了计算学科教学大纲（ACM/IEEEComputingCurricula），结合该课程教学的国际发展趋势和对计算机人才培养的实际需求，对相关知识点做了精心取舍，从全体考虑加以编排，据难易程度对各章节内容重新分类，给出了具体的教学计划方案。
为了不失系统性，作者依据多年的教学积累，对各种数据结构及其算法，按照分层的思想精心进行归纳和整理，并从数据访问方式、数据逻辑结构、算法构成模式等多个角度，理出线索加以贯穿，使之构成一个全体，使学生在学习数据结构众多知识点的同时，获得对这门学问相关知识结构的系统性和全局性的认识。

•Alpha-Beta剪枝(Alpha-Betapruning)对于一般的最大最小搜索，即使每一步只有很少的下法，搜索的位置也会增长非常快；
在大多数的中局棋形中，每步平均有十个位置可以下棋，于是假设搜索九步(程序术语称为搜索深度为九)，就要搜索十亿个位置(十的九次方)，极大地限制了电脑的棋力。
于是采用了一个方法，叫“alpha-beta剪枝”，它大为减少了检测的数目，提高电脑搜索的速度。
各种各样的这种算法用于所有的强力Othello程序。
(同样用于其他棋类游戏，如国际象棋和跳棋)。
为了搜索九步，一个好的程序只用搜索十万到一百万个位置，而不是没用前的十亿次。
•估值这是一个程序中最重要的部分，如果这个模块太弱，则就算算法再好也没有用。
我将要叙述三种不同的估值函数范例。
我相信，大多数的Othello程序都可以归结于此。
棋格表：这种算法的意思是，不同的棋格有不同的值，角的值大而角旁边的格子值要小。
忽视对称的话，棋盘上有10个不同的位置，每个格子根据三种可能性赋值：黑棋、白棋和空。
更有经验的逼近是在游戏的不同阶段对格子赋予不同的值。
例如，角在开局阶段和中局开始阶段比终局阶段更重要。
采用这种算法的程序总是很弱(我这样认为)，但另一方面，它很容易实现，于是许多程序开始采用这种逼近。
基于举动力的估值：这种更久远的接近有很强的全局观，而不像棋格表那样局部化。
观察表明，许多人类玩者努力获得最大的举动力(可下棋的数目)和潜在举动力(临近对手棋子的空格，见技巧篇)。
如果代码有效率的话，可以很快发现，它们提高棋力很多。
基于模版的估值：正如上面提及的，许多中等力量的程序经常合并一些边角判断的知识，最大举动力和潜在举动力是全局特性，但是他们可以被切割成局部配置，再加在一起。
棋子最少化也是如此。
这导致了以下的概括：在估值函数中仅用局部配置(模版)，这通常用单独计算每一行、一列、斜边和角落判断，再加在一起来实现。
估值合并：一般程序的估值基于许多的参数，如举动力、潜在举动力、余裕手、边角判断、稳定子。
但是怎么样将他们合并起来得到一个估值呢？一般采用线性合并。
设a1，a2，a3，a4为参数，则估值s：=n1*a1+n2*a2+n3*a3+n4*a4。
其中n1，n2，n3，n4为常数，术语叫“权重”(weight)，它决定了参数的重要性，它们取决于统计值。

具有马尔可夫腾跃参数和区间时变时滞的随机神经网络的新的依赖时滞的全局鲁棒无源分析

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。