1、求解非线性方程2、两种迭代法的求解精度均为0.000013、要求输出两种迭代算法的迭代初值、各次迭代值、迭代次数2、研讨迭代函数、迭代初值对函数
2020/6/19 19:43:56
196KB
1
带时间窗的团队定向成绩是一类重要的物流配送路径优化成绩，其优化目标是制定最优可行车辆路线，在规定的时间窗内服务一组顾客，以获得最大的总收益。
提出了一类改进蚁群算法，用以求解该成绩。
为了提高解构造质量与效率，使用一种快速的方法来确定动态候选链表，并且利用串行法和贪婪法构造解。
与迭代局部搜索相比，所提算法能够在12s内得到更好的解。
提出了一类改进蚁群算法，用以求解该成绩。
为了提高解构造质量与效率，使用一种快速的方法来确定动态候选链表，并且利用串行法和贪婪法构造解。
与迭代局部搜索相比，所提算法能够在12s内得到更好的解。
2021/4/23 8:33:26
245KB
1
可以进行裂缝检测和长宽定量计算，包含了主流的裂缝检测算法（OTSU、kapur、Niblack、迭代法区域生长）等，包括了连通域分析和形状学处理等方法。
2021/4/1 3:35:22
12.05MB
1
组搜索优化算法GSO(GroupSearchOptimizer)是一种基于动物捕食原理的新型群智能优化算法。
本研究提出了一种改进的GSO优化算法:全局组搜索优化算法GGSO(GlobalGSO)。
次要在两个方面对GSO算法进行了改进,一是在迭代过程中引入加速系数,加快种群收敛速度,增强算法的局部搜索能力;二是用高斯函数来产生随机位置变异,扩大搜索空间,从而增强算法的全局搜索能力。
经过11个无约束测试函数和3个带约束问题的测试及与其他文献的比较可知,GGSO算法具有较好的局部和全局搜索能力,并且能够
本研究提出了一种改进的GSO优化算法:全局组搜索优化算法GGSO(GlobalGSO)。
次要在两个方面对GSO算法进行了改进,一是在迭代过程中引入加速系数,加快种群收敛速度,增强算法的局部搜索能力;二是用高斯函数来产生随机位置变异,扩大搜索空间,从而增强算法的全局搜索能力。
经过11个无约束测试函数和3个带约束问题的测试及与其他文献的比较可知,GGSO算法具有较好的局部和全局搜索能力,并且能够
2019/10/7 12:16:01
902KB
1
DBSCAN聚类，是一种基于密度的聚类算法，它类似于均值漂移，DBSCAN与其他聚类算法相比有很多优点，首先，它根本不需要固定数量的簇。
它也会异常值识别为噪声，而不像均值漂移，即使数据点非常不同，也会简单地将它们分入簇中。
另外，它更抗噪音，能够很好地找到任意大小和任意形状的簇。
DBSCAN的聚类过程就是根据核心弱覆盖点来推导出最大密度相连的样本集合，首先随机寻找一个核心弱覆盖样本点，按照Minpts和Eps来推导其密度相连的点，然后再选择一个没有赋予类别的核心弱覆盖样本点，开始推导其密度相连的样本结合，不断迭代到所有的核心样本点都有对应的类别为止。
作者博客中详细介绍了DBSCAN的算法原理，可以通过文章结合学习，代码包含详细注释，只需要导入自己的聚类数据，运行代码便可以得出聚类结论与图像。
它也会异常值识别为噪声，而不像均值漂移，即使数据点非常不同，也会简单地将它们分入簇中。
另外，它更抗噪音，能够很好地找到任意大小和任意形状的簇。
DBSCAN的聚类过程就是根据核心弱覆盖点来推导出最大密度相连的样本集合，首先随机寻找一个核心弱覆盖样本点，按照Minpts和Eps来推导其密度相连的点，然后再选择一个没有赋予类别的核心弱覆盖样本点，开始推导其密度相连的样本结合，不断迭代到所有的核心样本点都有对应的类别为止。
作者博客中详细介绍了DBSCAN的算法原理，可以通过文章结合学习，代码包含详细注释，只需要导入自己的聚类数据，运行代码便可以得出聚类结论与图像。
2019/2/13 8:01:39
4KB
1
本文主要研究在这种配送方式下的应急配送问题，建立了基于混合蚁群算法的VRPD问题模型，利用蚁群算法，迭代局部搜索算法，聚类分析等方法进行求解。
对于问题一只有配送车辆配送这一模式，建立VRP问题，首先通过floyd算法验证各地点间的最短距离即为直线距离，将问题转换为最佳H圈问题；
之后采用蚁群算法对这问题进行迭代求解，得到配送车辆一次整体配送的最短路径和为582（公里），一次整体配送的最短时间为11.64（小时），并且发现收敛时迭代次数基本小于10次。
对于问题二，在问题一的基础上新增无人机配送的模式，首先对14个地点进行聚类，发现它们属于同一个类；
其次在类中进行分区，考虑到无人机的飞行约束，利用椭圆的几何性质最终分为5个飞行区；
之后采用迭代局部搜索的方式对各飞行区中的点进行重分配，找到最优的配送路线；
最初，采用蚁群算法对路线进行迭代求解，得到一次整体配送的最短时间为6.32（小时），相较问题一时间缩短了近50%。
对于问题三，在问题二的基础上
对于问题一只有配送车辆配送这一模式，建立VRP问题，首先通过floyd算法验证各地点间的最短距离即为直线距离，将问题转换为最佳H圈问题；
之后采用蚁群算法对这问题进行迭代求解，得到配送车辆一次整体配送的最短路径和为582（公里），一次整体配送的最短时间为11.64（小时），并且发现收敛时迭代次数基本小于10次。
对于问题二，在问题一的基础上新增无人机配送的模式，首先对14个地点进行聚类，发现它们属于同一个类；
其次在类中进行分区，考虑到无人机的飞行约束，利用椭圆的几何性质最终分为5个飞行区；
之后采用迭代局部搜索的方式对各飞行区中的点进行重分配，找到最优的配送路线；
最初，采用蚁群算法对路线进行迭代求解，得到一次整体配送的最短时间为6.32（小时），相较问题一时间缩短了近50%。
对于问题三，在问题二的基础上
2019/8/5 8:34:08
2.11MB
1
matlabdir源代码Crop_DiseasesCropDiseasesDetection代码源于Google识别API，根据数据情况做了少许修改。
深度学习框架Tensorflow1.9密码:yq30生成TFrecords运行process.py将数据图像压缩生成TFRecords类型的数据文件，可以提高数据读取效率#修改process.py主函数路径，改为本人的下载后压缩的路径pythonprocess.py训练模型#配置train.sh参数#生成的TFrecords路劲(根据本人的实际修改，下同)DATASET_DIR=/media/zh/DATA/AgriculturalDisease20181023/tf_data#训练过程产生的模型，迭代保存的数据位置TRAIN_DIR=/media/zh/DATA/AgriculturalDisease20181023/check_save/resnetv1_101_finetune#定义预训练模型定义(预训练模型下载地址上面有给出)CHECKPOINT_PATH=/media/zh/DA
深度学习框架Tensorflow1.9密码:yq30生成TFrecords运行process.py将数据图像压缩生成TFRecords类型的数据文件，可以提高数据读取效率#修改process.py主函数路径，改为本人的下载后压缩的路径pythonprocess.py训练模型#配置train.sh参数#生成的TFrecords路劲(根据本人的实际修改，下同)DATASET_DIR=/media/zh/DATA/AgriculturalDisease20181023/tf_data#训练过程产生的模型，迭代保存的数据位置TRAIN_DIR=/media/zh/DATA/AgriculturalDisease20181023/check_save/resnetv1_101_finetune#定义预训练模型定义(预训练模型下载地址上面有给出)CHECKPOINT_PATH=/media/zh/DA
2017/8/5 16:52:45
720KB
1
引入IPv6使能节点的方法全局选路算法用完好的、全局性的网络知识来计算最短路径分布式选路算法以迭代的、分布式的方式计算出最低费用路径静态选路算法随着时间的推移，
2017/3/25 5:39:39
129KB
1
机器人控制仿真程序，全书以机器人为对象，共分10章，包括先进PID控制、神经网络自顺应控制、模糊自顺应控制、迭代学习控制、反演控制、滑模控制、自顺应鲁棒控制、系统辨识和路径规划。
每种方法都给出了算法推导，实例分析和相应的MATLAB仿真设计程序
每种方法都给出了算法推导，实例分析和相应的MATLAB仿真设计程序
2015/1/25 9:40:32
1.14MB
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