混合PSO-GA算法的实现。 该存储库是Hsu-Chih Huang和Ching-Chih Tsai在论文“使用混合元启发式GA-PSO算法进行自主机器人导航的全局路径规划”中描述的算法的实现。 指示 如果尚未安装，请安装[PyGame库]（ ） 将所有源文件放在同一目录中。 如果在Windows操作系统下： 使用IDLE打开__main__.py并运行它 如果在类UNIX系统下： 打开一个终端 移至正确的目录 使用python __main__.py运行程序 去做 允许用户选择起始位置和目标位置 允许用户在其他搜索算法之间切换

成本敏感的学习 依赖实例的成本敏感型学习的混合整数规划方法 抽象 在这项研究中，我们研究了与示例相关的成本敏感型学习，该学习基于标签决策带来了不同的成本/回报。 这些问题源于决策模型，在数据中成本/收益信息而不是真正标签的重点领域中得到了区分。 例如，在流失预测和信用评分中，主要目的是建立预测模型和决策规则，以最大化/最小化公司的回报/成本。 传统的精度驱动的分类方法没有考虑基于实例的成本/回报。 取而代之的是，学习基于恒定的错误分类错误进行。 因此，我们提出了一种将基于实例的成本/收益纳入学习算法的一般策略。 具体而言，将学习问题表述为混合整数程序，以使总回报最大化。 考虑到混合整数线性规划问题的高计算复杂性，该模型对于大规模数据集的训练实际上可能效率低下。 为了解决这个问题，我们还提出了成本敏感型Logistic回归，这是公式化线性模型的非线性近似，这得益于使用深度学习工具进行的基于梯

如何正确调整摩托车化油器混合比借鉴.pdf

针对图着色对顶点划分的本质特征，提出了基于度的种群初始化方法和交集杂交算子；为加快算法的收敛速度，设计了新的贪婪局部搜索算子来改进杂交产生的后代个体。在此基础上，提出了图着色问题的一种新的混合遗传算法，对10个标准算例的仿真结果表明，新混合遗传算法可以获得问题高质量的解，是一种有潜力的算法。

ObjectiveC&C++的混合编译简单demo

混合策略和混合策略纳什均衡 一个数值例子 3，1 博弈方2 A B C D 1，5 5，2 2，3 博弈方1

利用遗传，模拟退火以及粒子群算法来求解TSP问题

针对现有方法对肝部医学影像分割上的不足,提出了一种用于对肝部医学影像进行分割的改进型U-Net结构。在上采样过程中只复制池化层特征,以减少信息丢失;同时引入残差网络对初步分割图像进行循环精炼,实现高层特征与低层特征的融合;利用对边界敏感的新型混合损失函数对图像进行细化处理,得到更为精确的分割结果。实验结果表明,肝脏图像和肝脏肿瘤图像的Dice系数分别为96.26%和83.32%。相比传统的U-Net,所提网络可以获得更高级的语义信息,进一步提高对肝脏和肝肿瘤图像的分割精度。

在高校的教务管理中，排课问题是复杂又关键的环节，科目数量众多，教学资源有限等等因素都制约着排课的复杂程度和结果.排课本质就是将课程、班级在合适的时间段安排到合适的教学位置，是一个NP问题的求解.随着规模的不断扩大，问题求解难度呈指数形式增加，当规模达到一定程度的时候就很难在短的时间内求出最优解.鉴于此，本文提出了遗传-蚁群混合算法，将两种算法混合使用，依靠遗传算法生成信息素分布，利用蚁群算法求最优解.实验结果表明，混合算法提高了排课的效率和课表的合理度.

#资源达人分享计划#