模糊c均值（FCM）聚类算法已广泛应用于许多医学图像分割中。
但是，由于不考虑空间信息，因而常规的标准FCM算法对噪声敏感。
为了克服上述问题，提出了一种新颖的改进的FCM算法（以后称为FCM-AWA）用于图像分割。
该算法是通过修改常规FCM算法中的目标函数，即通过将空间邻域信息合并到标准FCM算法中来实现的。
给出了自适应加权平均（AWA）滤波器以指示相邻像素对中心像素的空间影响。
在实施加权平均图像时，通过预定义的非线性函数自动确定控制模板（邻居寡妇）的参数（加权系数）。
该算法既适用于人工合成图像，又适用于真实图像。
此外，使用基于算法的分割方法对牙菌斑进行了定量分析。
实验结果表明，与标准FCM算法和另一种FCM算法（由Ahmed提出）相比，该算法对噪声的鲁棒性更高。
此外，使用所提出的方法对牙菌斑进行定量的结果表明，FCM-AWA提供了一种定量，客观和有效的牙菌斑分析方法，具有广阔的前景。

共有七个完整算法%1.基于聚类的RBF网设计算法%一维输入，一维输出，逼近效果很好！SamNum=100;%总样本数TestSamNum=101;%测试样本数InDim=1;%样本输入维数ClusterNum=10;%隐节点数，即聚类样本数Overlap=1.0;%隐节点重叠系数%根据目标函数获得样本输入输出rand('state',sum(100*clock))NoiseVar=0.1;Noise=NoiseVar*randn(1,SamNum);SamIn=8*rand(1,SamNum)-4;SamOutNoNoise=1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);SamOut=SamOutNoNoise+Noise;TestSamIn=-4:0.08:4;TestSamOut=1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2);figureholdongridplot(SamIn,SamOut,'k+')plot(TestSamIn,TestSamOut,'r--')xlabel('Inputx');ylabel('Outputy');Centers=SamIn(:,1:ClusterNum);NumberInClusters=zeros(ClusterNum,1);%各类中的样本数，初始化为零IndexInClusters=zeros(ClusterNum,SamNum);%各类所含样本的索引号while1,NumberInClusters=zeros(ClusterNum,1);%各类中的样本数，初始化为零IndexInClusters=zeros(ClusterNum,SamNum);%各类所含样本的索引号%按最小距离原则对所有样本进行分类fori=1:SamNumAllDistance=dist(Centers',SamIn(:,i));[MinDist,Pos]=min(AllDistance);NumberInClusters(Pos)=NumberInClusters(Pos)+1;IndexInClusters(Pos,NumberInClusters(Pos))=i;end%保存旧的聚类中心OldCenters=Centers;fori=1:ClusterNumIndex=IndexInClusters(i,1:NumberInClusters(i));Centers(:,i)=mean(SamIn(:,Index)')';end%判断新旧聚类中心能否一致，是则结束聚类EqualNum=sum(sum(Centers==OldCenters));ifEqualNum==InDim*ClusterNum,break,endend%计算各隐节点的扩展常数（宽度）AllDistances=dist(Centers',Centers);%计算隐节点数据中心间的距离（矩阵）Maximum=max(max(AllDistances));%找出其中最大的一个距离fori=1:ClusterNum%将对角线上的0替换为较大的值AllDistances(i,i)=Maximum+1;endSpreads=Overlap*min(AllDistances)';%以隐节点间的最小距离作为扩展常数%计算各隐节点的输出权值Distance=dist(Centers',SamIn);%计算各样本输入离各数据中心的距离SpreadsMat=repmat(Spreads,1,SamNum);HiddenUnitOut=radbas(Distance./SpreadsMat);%计算隐节点输出阵HiddenUnitOutEx=[HiddenUnitOut'ones(SamNum,1)]';%考虑偏移W2Ex=SamOut*pinv(HiddenUnitOutEx);%求广义输出权值W2=W2Ex(:,1:ClusterNum);%输出权值B2=W2Ex(:,ClusterNum+1)

在这个程序中，目标函数是一元函数，然后变量没有编码，采用的实数法。
子代选择使用的是覆盖法。
多目标函数和多变量函数，以及轮盘赌法和覆盖法。
变量编码与未编码。
请看我其他上传的资源。
都本人运行过。
注释详细。

包含了遗传算法目标函数真实ZDT(1-6)DTLZ(1-7)前沿面，亲身用过，txt文件

并网运行模式是发挥微网系统与大电网互补灵活性的重要方式。
建立了含有储能单元和多微源包括光伏电池、风力发电机、燃料电池、柴油发电机的复杂微网系统模型。
在分时电价机制下,基于调度时段内追踪净负荷及SOC的状态变化制定了的优化调度策略。
以含多约束条件的经济及环境成本最优化为目标函数建立了优化模型，通过改进的粒子群算法求解模型得出各微源及蓄电池整个调度周期内运行状态。
最后，结合具体算例验证了该调度策略和改进算法的可行性。

仿真平台：MATALAB参考文档（基于主从博弈的社区综合能源系统分布式协同优化运行策略）可在初始原始数据基础上更改Untitled是主函数运行，其余子函数，注释清晰双层优化电热综合能源系统的动态定价问题，采用主从博弈方法上领导者问题上，以综合能源系统整体的收益作为目标函数，考虑电价以及热价等相关约束，在下层运营商和负荷聚合商作为跟随者，构建了领导者-跟随者Stackelberg博弈模型，同时还考虑了系统的功率平衡条件以及热能平衡条件等约束，模型的上层求解DE优化算法，下层求解采用CPLEX求解器，将CPLEX求解嵌入到DE优化算法中，程序运行时间423.73s，考虑该代码具有一定的创新性，适合新手学习以及在此基础上进行拓展，在不同主体之间相互交互求解，代码质量高处理了多主体间交互问题

论文研究-基于随机活动工期的资源约束项目鲁棒性调度优化.pdf, ?项目进度计划的鲁棒性对于不确定条件下项目的顺利实施具有重要影响.作者研究具有随机活动工期的资源约束项目鲁棒性调度问题,目标是在可更新资源和项目工期约束下安排活动的开始时间,以实现项目进度计划鲁棒性的最大化.首先对所研究问题进行界定并用一个示例对其进行说明.随后构建问题的优化模型,设计禁忌搜索、多重迭代和随机生成三种启发式算法.最初在随机生成的标准算例集合上对算法进行测试,分析项目活动数、项目工期和资源强度等参数对算法绩效的影响,并用一个算例对研究进行说明,得到如下结论:禁忌搜索的满意解质量明显高于其他两种算法;当资源强度或项目工期增大时,平均目标函数值上升,禁忌搜索的求解优势增强.研究结果可为不确定条件下项目进度计划的制定提供决策支持.

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。