《MATLAB智能算法30个案例分析》是作者多年从事算法研究的经验总结。
书中所有案例均因国内各大MATLAB技术论坛网友的切身需求而精心设计，其中不少案例所涉及的内容和求解方法在国内现已出版的MATLAB书籍中鲜有介绍。
《MATLAB智能算法30个案例分析》采用案例形式，以智能算法为主线，讲解了遗传算法、免疫算法、退火算法、粒子群算法、鱼群算法、蚁群算法和神经网络算法等最常用的智能算法的MATLAB实现。

BAT机器学习面试1000题系列1前言1BAT机器学习面试1000题系列21归一化为什么能提高梯度下降法求解最优解的速度？222归一化有可能提高精度223归一化的类型231）线性归一化232）标准差标准化233）非线性归一化2335.什么是熵。
机器学习ML基础易27熵的引入273.1无偏原则2956.什么是卷积。
深度学习DL基础易38池化，简言之，即取区域平均或最大，如下图所示（图引自cs231n）40随机梯度下降46批量梯度下降47随机梯度下降48具体步骤：50引言721.深度有监督学习在计算机视觉领域的进展731.1图像分类（ImageClassification）731.2图像检测（ImageDection）731.3图像分割（SemanticSegmentation）741.4图像标注–看图说话（ImageCaptioning）751.5图像生成–文字转图像（ImageGenerator）762.强化学习（ReinforcementLearning）773深度无监督学习（DeepUnsupervisedLearning）–预测学习783.1条件生成对抗网络（ConditionalGenerativeAdversarialNets，CGAN）793.2视频预测824总结845参考文献84一、从单层网络谈起96二、经典的RNN结构（NvsN）97三、NVS1100四、1VSN100五、NvsM102RecurrentNeuralNetworks105长期依赖（Long-TermDependencies）问题106LSTM网络106LSTM的核心思想107逐步理解LSTM108LSTM的变体109结论110196.L1与L2范数。
机器学习ML基础易163218.梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？深度学习DL基础中178@李振华，https://www.zhihu.com/question/68109802/answer/262143638179219.请比较下EM算法、HMM、CRF。
机器学习ML模型中179223.Boosting和Bagging181224.逻辑回归相关问题182225.用贝叶斯机率说明Dropout的原理183227.什么是共线性,跟过拟合有什么关联?184共线性：多变量线性回归中，变量之间由于存在高度相关关系而使回归估计不准确。
184共线性会造成冗余，导致过拟合。
184解决方法：排除变量的相关性／加入权重正则。
184勘误记216后记219

1stOpt（FirstOptimization）是七维高科有限公司（7D-SoftHighTechnologyInc.）独立开发，拥有完全自主知识产权的一套数学优化分析综合工具软件包。
在非线性回归，曲线拟合，非线性复杂工程模型参数估算求解等领域傲视群雄，首屈一指，居世界领先地位。
除去简单易用的界面，其计算核心是基于七维高科有限公司科研人员十数年的革命性研究成果【通用全局优化算法】(UniversalGlobalOptimization-UGO)，该算法之最大特点是克服了当今世界上在优化计算领域中使用迭代法必须给出合适初始值的难题，即用户勿需给出参数初始值，而由1stOpt随机给出，通过其独特的全局优化算法，最终找出最优解。
以非线性回归为例，目前世界上在该领域最有名的软件工具包诸如OriginPro，Matlab，SAS，SPSS，DataFit，GraphPad，TableCurve2D，TableCurve3D等，均需用户提供适当的参数初始值以便计算能够收敛并找到最优解。
如果设定的参数初始值不当则计算难以收敛，其结果是无法求得正确结果。
而在实际应用当中，对大多数用户来说，给出(猜出)恰当的初始值是件相当困难的事，特别是在参数量较多的情况下，更无异于是场噩梦。
而1stOpt凭借其超强的寻优，容错能力，在大多数情况下（大于90%)，从任一随机初始值开始，都能求得正确结果。

mulStablePoint用不动点迭代法求非线性方程组的一个根mulNewton用牛顿法法求非线性方程组的一个根mulDiscNewton用离散牛顿法法求非线性方程组的一个根mulMix用牛顿-雅可比迭代法求非线性方程组的一个根mulNewtonSOR用牛顿-SOR迭代法求非线性方程组的一个根mulDNewton用牛顿下山法求非线性方程组的一个根mulGXF1用两点割线法的第一种形式求非线性方程组的一个根mulGXF2用两点割线法的第二种形式求非线性方程组的一个根mulVNewton用拟牛顿法求非线性方程组的一组解mulRank1用对称秩1算法求非线性方程组的一个根mulDFP用D-F-P算法求非线性方程组的一组解mulBFS用B-F-S算法求非线性方程组的一个根mulNumYT用数值延拓法求非线性方程组的一组解DiffParam1用参数微分法中的欧拉法求非线性方程组的一组解DiffParam2用参数微分法中的中点积分法求非线性方程组的一组解mulFastDown用最速下降法求非线性方程组的一组解mulGSND用高斯牛顿法求非线性方程组的一组解mulConj用共轭梯度法求非线性方程组的一组解mulDamp用阻尼最小二乘法求非线性方程组的一组解

本人博客：离散性遗传算法求解组合最优化matlab实现对应的数据文件

Matlab编写的代码，求解var在险价值。
可运行

国科大的算法设计与分析相关1-5章复习题第一章样例：1.讲义习题一:第1(执行步改为关键操作数)、第2、3、6、7题习题一1答：执行步4pmn+3pm+2m+1;关键操作2n*m*p2方法一答：2n-2次方法二答：2n-2次31）证明：任给c，n＞c,则10n2＞cn。
不存在c使10n22c时，logn＞c，从而n2logn＞=cn2,同上。
6答：logn，n2/3，20n，4n2，3n，n!7答：1)6+n2)3)任意n2.讲义习题二：第5题。
答：c、e是割点。
每点的DFN、L值：A1,1、B2,1、C3,1、D4,4、E5,1、F6,5、G7,5。
最大连通分支CD、EFG、ABCE。
3.考虑下述选择排序算法：输入：n个不等的整数的数组A[1..n]输出：按递增次序排序的AFori:=1ton-1Forj:=i+1tonIfA[j]＜A[i]thenA[i]A[j]问：(1)最坏情况下做多少次比较运算？答1+2+..+n-1=n(n-1)/2(2)最坏情况下做多少次交换运算？在什么输入时发生？n(n-1)/2，每次比较都交换，交换次数n(n-1)/2。
4.考虑下面的每对函数f(n)和g(n),比较他们的阶。
(1)f(n)=(n2-n)/2,g(n)=6n(2)f(n)=n+2,g(n)=n2(3)f(n)=n+nlogn,g(n)=n(4)f(n)=log(n!),g(n)=答：(1)g(n)=O(f(n))(2)f(n)=O(g(n)(3)f(n)=O(g(n)(4)f(n)=O(g(n)5.在表中填入true或false.答案：f(n)g(n)f(n)=O(g(n)f(n)=(g(n))f(n)=(g(n))12n3+3n100n2+2n+100FTF250n+logn10n+loglognTTT350nlogn10nloglognFTF4lognLog2nTFF5n!5nFTF6.用迭代法求解下列递推方程：(1)(2),n=2k答：(1)T(n)=T(n-1)+n-1=T(n-2)+n-2+n-1=…=T(1)+1+2+…+n-1=n(n-1)/2=O(n2)(2)T(n)=2T(n/2)+n-1=2(2T(n/4)+n/2-1)+n-1=4T(n/4)+n-2+n-1=4(2T(n/23)+n/4-1)+n-2+n-1=23T(n/23)+n-4+n-2+n-1

本文档为遗传算法解决一个带有容量限制的指派问题即CVRP问题

1、matlab实现原文例子；
2、Walcott-Zak观测器虽然对系统的非线性/不确定性具有鲁棒性，但观测器设计需要满足严格的假设条件，设计参数的选取需要计算大量不等式，当系统维数较高时，往往难以实现。
在Walcott-Zak基础上，提出了一种鲁棒滑模观测器，基于设计新的控制策略，避免了Walcott-Zak观测器所必须满足的严格条件，设计参数的求取不需要求解大量方程，同时能够保证对非线性/不确定性具有鲁棒性。
通过设计滑模，可以调整观测器跟踪系统状态的收敛速度，使状态估计达到预期目标，仿真结果验证了控制策略的有效性。

问题描述：罗密欧与朱丽叶的迷宫。
罗密欧与朱丽叶身处一个m×n的迷宫中，如图所示。
每一个方格表示迷宫中的一个房间。
这m×n个房间中有一些房间是封闭的，不允许任何人进入。
在迷宫中任何位置均可沿8个方向进入未封闭的房间。
罗密欧位于迷宫的(p，q)方格中，他必须找出一条通向朱丽叶所在的(r，s)方格的路。
在抵达朱丽叶之前，他必须走遍所有未封闭的房间各一次，而且要使到达朱丽叶的转弯次数为最少。
每改变一次前进方向算作转弯一次。
请设计一个算法帮助罗密欧找出这样一条道路。
编程任务：对于给定的罗密欧与朱丽叶的迷宫，编程计算罗密欧通向朱丽叶的所有最少转弯道路。

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。