《最优化方法及其Matlab程序设计》较系统地介绍了非线性最优化问题的基本理论和算法，以及主要算法的Matlab程序设计，主要内容包括（精确或非精确）线搜索技术、最速下降法与（修正）牛顿法、共轭梯度法、拟牛顿法、信赖域方法、非线性最小二乘问题的解法、约束优化问题的最优性条件、罚函数法、可行方向法、二次规划问题的解法、序列二次规划法等。
设计的Matlab程序有精确线搜索的0.618法和抛物线法、非精确线搜索的Armijo准则、最速下降法、牛顿法、再开始共轭梯度法、BFGS算法、DFP算法、Broyden族方法、信赖域方法、求解非线性最小二乘问题的L.M算法、解约束优化问题的乘子法、求解二次规划的有效集法、SQP子问题的光滑牛顿法以及求解约束优化问题的SQP方法等，此外，《最优化方法及其Matlab程序设计》配有丰富的例题和习题，并在附录介绍了Matlab优化工具箱的使用方法。
设计的Matlab程序有精确线搜索的0.618法和抛物线法、非精确线搜索的Armijo准则、最速下降法、牛顿法、再开始共轭梯度法、BFGS算法、DFP算法、Broyden族方法、信赖域方法、求解非线性最小二乘问题的L.M算法、解约束优化问题的乘子法、求解二次规划的有效集法、SQP子问题的光滑牛顿法以及求解约束优化问题的SQP方法等，此外，《最优化方法及其Matlab程序设计》配有丰富的例题和习题，并在附录介绍了Matlab优化工具箱的使用方法。
2024/3/7 22:38:04
83KB
1
我们可用“破圈法”求解带权连通无向图的一棵最小代价生成树。
所谓“破圈法”就是“任取一圈，去掉圈上权最大的边”，反复执行这一步骤，直到没有圈为止。
请给出用“破圈法”求解给定的带权连通无向图的一棵最小代价生成树的详细算法，并用程序实现你所给出的算法.这也是复旦大学97年数据结构和操作系统的考研题.答案，亲测可用，c++编写工程。
所谓“破圈法”就是“任取一圈，去掉圈上权最大的边”，反复执行这一步骤，直到没有圈为止。
请给出用“破圈法”求解给定的带权连通无向图的一棵最小代价生成树的详细算法，并用程序实现你所给出的算法.这也是复旦大学97年数据结构和操作系统的考研题.答案，亲测可用，c++编写工程。
2024/3/6 15:49:43
1.4MB
1
STM32F407VGT6最小系统，原理图及PCBlayout，BOM表都包含在里面
2024/3/6 14:34:55
1.98MB
1
独库Docker驱动的mini-Heroku。
您见过的最小的PaaS实现。
赞助商成为赞助商，并在我们的Github自述文件上获得徽标，并带有指向您网站的链接。
[]支持者每月捐款支持我们，并帮助我们继续开展活动。
[]要求运行以下任何操作系统的新VM：Ubuntu16.04/18.04/20.04x64-任何当前受支持的版本Debian9+x64CentOS7x64（实验性）ArchLinuxx64（实验性）可以用于应用程序部署的SSH密钥对。
如果在安装之前存在，它将自动导入到dokku中。
否则，您需要在安装后使用dokkussh-keys:add手动导入密钥对。
安装要安装最新的稳定版本，请以有权访问sudo的用户身份运行以下命令：wgethttps://raw.githubusercontent.com/dokku/dokku/v0.23.1/bootstrap.shsudoDOKKU_TAG=v0.23.1bashbootstrap.sh然后，您可以继续使用与服务器关联的IP地址或域名来完成
您见过的最小的PaaS实现。
赞助商成为赞助商，并在我们的Github自述文件上获得徽标，并带有指向您网站的链接。
[]支持者每月捐款支持我们，并帮助我们继续开展活动。
[]要求运行以下任何操作系统的新VM：Ubuntu16.04/18.04/20.04x64-任何当前受支持的版本Debian9+x64CentOS7x64（实验性）ArchLinuxx64（实验性）可以用于应用程序部署的SSH密钥对。
如果在安装之前存在，它将自动导入到dokku中。
否则，您需要在安装后使用dokkussh-keys:add手动导入密钥对。
安装要安装最新的稳定版本，请以有权访问sudo的用户身份运行以下命令：wgethttps://raw.githubusercontent.com/dokku/dokku/v0.23.1/bootstrap.shsudoDOKKU_TAG=v0.23.1bashbootstrap.sh然后，您可以继续使用与服务器关联的IP地址或域名来完成
2024/3/4 20:31:54
2.1MB
1
CreateReactApp入门该项目是通过。
可用脚本在项目目录中，可以运行：yarnstart在开发模式下运行应用程序。
打开在浏览器中查看。
如果进行编辑，页面将重新加载。
您还将在控制台中看到任何棉绒错误。
yarntest在交互式监视模式下启动测试运行程序。
有关更多信息，请参见关于的部分。
yarnbuild构建生产到应用程序build文件夹。
它在生产模式下正确捆绑了React，并优化了构建以获得最佳性能。
最小化构建，文件名包含哈希。
您的应用已准备好进行部署！有关更多信息，请参见有关的部分。
yarneject注意：这是单向操作。
eject，您将无法返回！如果您对构建工具和配置选择不满意，则可以随时eject。
此命令将从项目中删除单个构建依赖项。
相反，它将所有配置文件和传递依赖项（webpack，Babel，ESL
可用脚本在项目目录中，可以运行：yarnstart在开发模式下运行应用程序。
打开在浏览器中查看。
如果进行编辑，页面将重新加载。
您还将在控制台中看到任何棉绒错误。
yarntest在交互式监视模式下启动测试运行程序。
有关更多信息，请参见关于的部分。
yarnbuild构建生产到应用程序build文件夹。
它在生产模式下正确捆绑了React，并优化了构建以获得最佳性能。
最小化构建，文件名包含哈希。
您的应用已准备好进行部署！有关更多信息，请参见有关的部分。
yarneject注意：这是单向操作。
eject，您将无法返回！如果您对构建工具和配置选择不满意，则可以随时eject。
此命令将从项目中删除单个构建依赖项。
相反，它将所有配置文件和传递依赖项（webpack，Babel，ESL
2024/3/4 14:48:49
491KB
1
由于神经网络具有拟合非线性的能力,所以可以用神经网络来处理内部模型的非线性特性,因此这种内部模型采用神经网络的非线性PLS方法得到了广泛的应用。
传统的前馈神经网络在训练中采用梯度学习算法,网络中的参数需要迭代更新,不仅训练时间长,而且容易导致局部极小和过度训练等问题,另外其多隐层的结构也导致了样本训练速度慢,训练误差大"此外,Bartlett提出对于已达到最小训练误差的前馈神经网络,权值越小泛化特性越好,而传统的梯度学习算法仅仅考虑训练误差最小,忽视了权值大小对网络的影响,这些问题都将影响到模型的泛化特性。
传统的前馈神经网络在训练中采用梯度学习算法,网络中的参数需要迭代更新,不仅训练时间长,而且容易导致局部极小和过度训练等问题,另外其多隐层的结构也导致了样本训练速度慢,训练误差大"此外,Bartlett提出对于已达到最小训练误差的前馈神经网络,权值越小泛化特性越好,而传统的梯度学习算法仅仅考虑训练误差最小,忽视了权值大小对网络的影响,这些问题都将影响到模型的泛化特性。
2024/3/4 2:50:15
16KB
1
若要在n个城市之间建设通信网络，只需要架设n-1条线路即可。
如何以最低的经济代价建设这个通信网，是一个网的最小生成树问题。
（1）建立一个图，其存储方式可以采用邻接矩阵形式，需要定义两个数组，一个存储顶点，一个存储边，存储边的数组表明节点间的连通关系和边的权值；
（2）利用普里姆算法和克鲁斯卡尔算法求网的最小生成树；
（3）按顺序输出生成树中各条边以及它们的权值。
如何以最低的经济代价建设这个通信网，是一个网的最小生成树问题。
（1）建立一个图，其存储方式可以采用邻接矩阵形式，需要定义两个数组，一个存储顶点，一个存储边，存储边的数组表明节点间的连通关系和边的权值；
（2）利用普里姆算法和克鲁斯卡尔算法求网的最小生成树；
（3）按顺序输出生成树中各条边以及它们的权值。
2024/3/3 20:22:38
3KB
1
InverseDistancetoaPower（反距离加权插值法）Kriging（克里金插值法）MinimumCurvature（最小曲率）ModifiedShepard"sMethod（改进谢别德法）NaturalNeighbor（自然邻点插值法）NearestNeighbor（最近邻点插值法）PolynomialRegression（多元回归法）RadialBasisFunction（径向基函数法）TriangulationwithLinearInterpolation（线性插值三角网法）MovingAverage（移动平均法）LocalPolynomial（局部多项式法）"＞InverseDistancetoaPower（反距离加权插值法）Kriging（克里金插值法）MinimumCurvature（最小曲率）ModifiedShepard"sMethod（改进谢别德法）NaturalNeighbor（自然邻点插值法）NearestNeighbor（最近邻点插值法）PolynomialRegression（?[更多]
2024/3/3 17:18:33
30KB
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