初学matlab时编的一个小程序。
实现对排队等待问题的计算机模拟（经典的理发店顾客服务情况模拟），并有动画演示。
学计算机模拟课的人可以看看。
蒙特卡洛(MonteCarlo)法，或称统计试验法、计算机随机模拟方法，起源于美国在第一次世界大战进研制原子弹的“曼哈顿计划”。
统计试验法通常用来研究概率过程，研究问题时常涉及下列一些与随机因素有关的概率，如各类概率等，一般来说，建立描述过程的复杂的概率模型是不成问题的，但用数学方法研究与分析这些模型是却很困难，问题的维数（即变量的个数）可能高达数百甚至数千。
对这类问题，难度随维数的增加呈指数增长，这就是所谓的“维数的灾难”(Course　Dimensionality)。
传统的数值方法难以对付（即使使用速度最快的计算机），甚至达到了无法进行的地步。
因此，唯一可取的研究方法是统计实验法。

计算关联维数的MATLAB程序，文件名是关联维数的首字母，直接可以用。
傻瓜式的。
花了1个星期的心血啊。

KD-Tree是一种由二叉搜索树推广而来的用于多维检索的树的结构形式（K即为空间的维数）。
它与二叉搜索树不同的是它的每个结点表示k维空间的一个点，并且每一层都根据该层的分辨器（discriminator）对相应对象做出分枝决策。
顶层结点按由分辨器决定的一个维度进行划分，第二层则按照该层的分辨器决定的一个维进行划分···，以此类推在余下各维之间不断地划分。
直至一个结点中的点数少于给定的最大点数时，结束划分。
　　KD-Tree的分辨器根据不同的用途会有不同的分辨器，最普通的分辨器为：nmodk（树的根节点所在层为第0层，根结点孩子所在层为第1层，以此类推）　　即：若它的左子树非空，则其左子树上所有结点的第i维值均小于其根结点的第i维值；
　　若它的右子树非空，则其右子树上所有结点的第i维值均大于其根结点的第i维值；
并且它的左右子树也分别为KD-Tree。

从抛物线谈起：混沌动力学引论第二版出版时间：2013年版内容简介　　《中外物理学精品书系·前沿系列：从抛物线谈起（混沌动力学引论）（第2版）》可以作为理工科大学高年级学生、研究生和青年教师扩展知识的读物和教学研究参考。
混沌现象普遍存在于自然界和数学模型中。
这是确定论系统在没有外来随机因素时表现出的随机行为。
混沌有着丰富的内在结构而不是简单的无序。
当存在耗散时，高维动力系统的长时间行为集中到相空间中低维、甚至一维的对象上。
因而，研究一维线段上的抛物线映射成为进入耗散系统混沌动力学的捷径。
抛物线映射这个简单“可解”模型所蕴涵的丰富内容，可以导致统计物理和非线性科学中许多深刻的概念，例如周期和混沌吸引子、标度律和临界指数、李雅普诺夫指数和熵、分形分维和重正化群等等。
分析抛物线映射的基本行为，只需要理工科大学低年级的微分学知识，但是要求读者养成自己推导公式和上计算机实践的习惯。
目录第1章最简单的非线性模型1.1什么是非线性1.2非线性演化方程1.3虫口变化的抛物线模型1.4其他简单映射举例第2章抛物线映射2.1线段映射的一般讨论2.2稳定和超稳定周期轨道2.3分岔图里的标度性和自相似性2.4分岔图中暗线的解释2.5周期窗口何处有--字提升法2.6实用符号动力学概要第3章倍周期分叉序列3.1隐函数定理和倍周期分叉3.2倍周期分岔定理的证明3.3施瓦茨导数和辛格尔定理的证明3.4重正化群方程和标度因子3.5线性化重正化群方程和收敛速率3.6外噪声和它的标度因子第4章切分岔4.1周期3的诞生4.2阵发混沌的几何图像4.3阵发混沌的标度理论4.4阵发混沌的重整化理论4.51倍周期序列的标度性质第5章一维映射的周期数目5.1沙尔可夫斯基序列和李-约克定理5.2数论函数和波伊阿定理5.3单峰映射的周期窗口数目5.4多峰映射的周期窗口数目5.5周期轨道与纽结第6章混沌映射6.1满映射6.2轨道点的密度分布6.3同宿轨道6.4混沌吸引子的激变6.5粗粒混沌第7章吸引子的刻画7.1功率谱分析7.2李雅普诺夫指数7.3维数的各种定义7.4一维映射中的分形7.5满映射维数谱中的“相变”7.6测度熵和拓扑熵7.7符号序列的语法复杂性第8章过渡过程8.1倍周期分岔点附近的临界慢化指数8.2过渡过程的功率谱8.3奇怪排斥子和逃逸速率8.4过渡混沌参考文献

盒维数MATLAB计算程序，根据计盒维数原理编写了求一维曲线分形维数的matlab程序。

计算二值图像分形维数的matlab小程序

这个Matlab工具箱实现32种维数降低技术。
这些技术都可以通过COMPUTE_MAPPING函数或trhoughGUI。
有以下技术可用： -主成分分析（'PCA'） -线性判别分析（'LDA'） -多维缩放（'MDS'） -概率PCA（'ProbPCA'） -因素分析（'因子分析'） -Sammon映射（'Sammon'） -Isomap（'Isomap'） -LandmarkIsomap（'LandmarkIsomap'） -局部线性嵌入（'LLE'） -拉普拉斯特征图（'Laplacian'） -HessianLLE（'HessianLLE'） -局部切线空间对准（'LTSA'） -扩散图（'DiffusionMaps'） -内核PCA（'KernelPCA'） -广义判别分析（'KernelLDA'） -随机邻居嵌入（'SNE'） -对称随机邻接嵌入（'SymSNE'） -t分布随机邻居嵌入（'tSNE'） -邻域保留嵌入（'NPE'） -线性保持投影（'LPP'） -随机接近嵌入（'SPE'） -线性局部切线空间对准（'LLTSA'） -保形本征映射（'CCA'，实现为LLE的扩展） -最大方差展开（'MVU'，实现为LLE的扩展） -地标最大差异展开（'地标MVU'） -快速最大差异展开（'FastMVU'） -本地线性协调（'LLC'） -歧管图表（'ManifoldChart'） -协调因子分析（'CFA'） -高斯过程潜变量模型（'GPLVM'） -使用堆栈RBM预训练的自动编码器（'AutoEncoderRBM'） -使用进化优化的自动编码器（'AutoEncoderEA'）此外，工具箱包含6种内在维度估计技术。
这些技术可通过INTRINSIC_DIM函数获得。
有以下技术可用： -基于特征值的估计（'EigValue'） -最大似然估计器（'MLE'） -基于相关维度的估计器（'CorrDim'） -基于最近邻域评估的估计器（'NearNb'） -基于包装数量（'PackingNumbers'）的估算器 -基于测地最小生成树（'GMST'）的估计器除了这些技术，工具箱包含用于预白化数据（函数PREWHITEN），精确和估计样本外扩展（函数OUT_OF_SAMPLE和OUT_OF_SAMPLE_EST）的函数以及生成玩具数据集（函数GENERATE_DATA）的函数。
工具箱的图形用户界面可通过DRGUI功能访问

受克隆选择理论和免疫网络模型的启发，我们提出了一种新的人工免疫算法，称为免疫记忆克隆算法（IMCA）。
首先讨论了受免疫系统启发的克隆操作员。
IMCA包括两个基于不同免疫记忆机制的版本；
它们是自适应免疫记忆克隆算法（AIMCA）和免疫记忆克隆策略（IMCS）。
在AIMCA中，每种抗体的突变率和存储单位大小会动态调整。
IMCS同时实现抗体种群和存储单元的进化。
通过使用克隆选择运算符，可以将全局搜索与局部搜索有效地结合在一起。
根据抗体-抗体（Ab-Ab）亲和力和抗体-抗原（Ab-Ag）亲和力，IMCA可以自适应地分配存储单元的大小和抗体群体。
在实验中，使用了18个多维函数，维数范围从2到1000，以及组合优化问题，例如旅行商和背包问题（KPs），以验证IMCA的性能。
给出了每次迭代的计算成本。
实验结果表明，IMCA具有较高的收敛速度，并且在增强种群多样性和一定程度上避免过早收敛方面具有很强的能力。
从理论上讲，IMCA以概率1收敛。
2010高等教育出版社和施普林格出版社柏林海德堡。

利用RBF网络（隐含层神经单元个数和学习率等参数可在内部修改，不作为输入参数）学习和训练，并对输入的测试样本做出响应。
输入和输出维数可以多维。
实际运行，逼近y=sin(t)函数效果不错。

Hopfield神经网络解决TSP问题利用神经网络解决组合优化问题是神经网络应用的一个重要方面。
所谓组合优化问题,就是在给定约束条件下,使目标函数极小(或极大)的变量组合问题。
将Hopfield网络应用于求解组合优化问题,把目标函数转化为网络的能量函数,把问题的变量对应到网络的状态。
这样,当网络的能量函数收敛于极小值时,问题的最优解也随之求出。
由于神经网络是并行计算的,其计算量不随维数的增加而发生指数性“爆炸”,因而对于优化问题的高速计算特别有效。

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。