-在原始BES算法的基础上添加了两种改进策略-改进1：将原先固定的控制因子变为自顺应控制因子，从而平衡算法前期的全局搜索能力和后期的局部寻优能力-改进2：采用折射反向学习机制增加寻找到最优解的概率，提升算法的求解精度和收敛速度-仿真图中包含改进后的IBES算法与原始BES算法的比较-包含23种测试函数
2021/5/9 21:55:33
511KB
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
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
GA优化BP神经网络权值和阈值，克服BP神经网络易于陷入局部最小值等问题。
不仅可以自动搜索神经网络最佳隐藏层神经元数量，还可以固定经GA优化后的权值和阈值使得网络多次运行最终结果不变。
不仅可以自动搜索神经网络最佳隐藏层神经元数量，还可以固定经GA优化后的权值和阈值使得网络多次运行最终结果不变。
2019/4/13 14:53:25
70KB
1
数据融合matlab代码自适应加权学习网络的轻量图像超分辨率王朝峰，李振和石军，“具有自适应加权学习网络的轻量图像超分辨率”，该代码基于依存关系的Python3.5PyTorch＞=0.4.0麻木skimage意象matplotlibtqdm代码 gitclonegit@github.com:ChaofWang/AWSRN.git cdAWSRN抽象的近年来，深度学习已以出色的功能成功地应用于单图像超分辨率（SISR）任务。
但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。
在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。
在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。
此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。
AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分
但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。
在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。
在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。
此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。
AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分
2018/6/1 12:43:36
3.95MB
1
易语言小游戏21点扑克牌新易扑克牌游戏源代码易语言扑克游戏网络版源码易语言麻将游戏源码.版本2.支持库iext2.程序集窗口程序集1.程序集变量投注,投注.程序集变量每块宽度,整数型.程序集变量每块高度,整数型.程序集变量分割数据,文本型,,"0".程序集变量X变量,整数型.程序集变量Y变量,整数型.程序集变量彩金时间,整数型.程序集变量中彩金,文本型.程序集变量接收的数据,文本型.子程序_按钮1_被单击.如果(客户1.连接(IP编辑框1.地址,7000))日志标签.标题＝“与服务器连接成功”＋#换行符＋日志标签.标题形态.底图＝#笑脸连续赋值(真,按钮1.禁止,IP编辑框1.禁止).否则形态.底图＝#哭脸连续赋值(假,按钮1.禁止,IP编辑框1.禁止).如果结束_启动窗口.获取焦点().子程序_客户1_数据到达.局部变量分割倍数数据,文本型,,"0".局
2019/9/3 15:35:53
2.89MB
1
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。
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。
2021/8/18 13:53:49
919KB
1
[Unity3d]官方汽车教程翻译版本（中文）Car3第三局部另外两部份在我的资源中找得有资源来自于Unity圣典社区
2020/7/12 14:09:24
3.68MB
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