基于哈希的最近邻居搜索已在许多应用程序中变得有吸引力。
但是，在使用汉明距离排序时，散列中的量化通常会降低判别能力。
此外，对于大规模的视觉搜索，现有的散列方法不能直接支持对具有多个源的数据进行有效搜索，而文献表明自适应地合并来自不同源或视图的补充信息可以显着提高搜索性能。
为了解决这些问题，本文提出了一种新颖且通用的方法来构建具有多个视图的多个哈希表，并在按位和按表级别生成细粒度的排名结果。
对于每个哈希表，引入了查询自适应按位加权，以通过同时利用哈希函数的质量及其对最近邻居搜索的补充来减轻量化损失。
从表格的角度来看，针对不同的数据视图构建了多个哈希表作为联合索引，在该哈希表上，提出了特定于查询的排名融合，以通过散布在图表中对按位排名的所有结果进行排名。
在三个著名基准上进行图像搜索的综合实验表明，与最新方法相比，该方法在单表和多表搜索中可分别实现17.11％和20.28％的性能提升。

代码说明代码仅供学习研究，未经允许，请勿擅自商用。
1.输入文件格式输入的文件要求为N行两列的形式，两列分别对应，输入数据点的X轴坐标和Y轴坐标。
输入文件格式示例如下：0.821794-0.04621531.03929 0.0608351.12046 0.07455681.02233 0.05147392.代码支持的凝聚层次聚类算法通过简要的修改代码中函数的参数，代码可以支持不同的凝聚方法，支持的凝聚方法如下，默认的为代码本身算法：单连接算法（默认，最近邻聚类算法，最短距离法，最小生成树算法）；
全连接算法（最远邻聚类算法，最长距离法）；
未加权平均距离法；
加权平均法；
质心距离法；
加权质心距离法；
内平方距离法（最小方差算法）3.代码支持的距离（相似度）度量公式通过简要的修改代码，代码支持计算距离的过程采用不同的距离或相似度度量公式，支持的距离（相似度）公式如下，默认为代码本身才采用的距离公式：欧氏距离（默认）；
标准化欧氏距离；
马氏距离；
布洛克距离（曼哈顿距离，城市街区距离）；
闵可夫斯基（明可夫斯基）距离；
余弦相似度；
相关性相似度；
汉明距离；
Jaccard相似度；
切比雪夫距离。

这里是最短路径规划的代码，主要应用了自适应，汉明距离，交叉变异和邻域搜索。
其中，汉明距离，交叉变异，邻域搜索的代码都以.m类的方式单独提取，方便大家的引用。
最后，代码完整可以运行。

对应博客https://blog.csdn.net/Netceor/article，代码内容含Paillier的基本验证，SM、SSED、SBD、SMIN算法的实现与验证，以及自定义任务安全汉明距离。

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。