根据粒子群相关改进论文编辑，内部包含粒子群算法源码、改进后粒子群算法代码、测试函数集合文件改进文献来源，两种算法均已编辑为函数模式方便进行对比，亲测可用，可用作论文写作中算法对比。

matlab代码粒子群算法自适应CLPSO Matlab代码用于宏观自适应综合学习粒子群优化器（MaPSO）和微观自适应综合学习粒子群优化器（MiPSO）算法。 抽象的 优化启发式算法（如粒子群优化器（PSO））的广泛使用对参数自适应提出了巨大挑战。 PSO的一种变体是综合学习粒子群优化器（CLPSO），它使用所有个人的最佳信息来更新其速度。 CLPSO的新颖策略使种群能够从特定世代的样本中进行读取，这称为刷新间隙m。 在本文中，我们开发了两类学习自动机（LA），以研究自动机对CLPSO刷新间隙调整的学习能力。 在第一类中，将学习自动机分配给总体，在第二类中，每个粒子都有自己的个人自动机。 我们还将所提出的算法与CLPSO和CPSO-H算法进行了比较。 仿真结果表明，我们的算法在性能，鲁棒性和收敛速度方面均优于同类算法。 参考 [1] Mohammad Hasanzadeh，Mohammad Reza Meybodi和Mohammad Mehdi Ebadzadeh，“，”在人工智能和信号处理中，Springer国际出版，2014年，第267-276页。

- 在原始BES算法的基础上添加了两种改进策略 - 改进1：将原先固定的控制因子变为自适应控制因子，从而平衡算法前期的全局搜索能力和后期的局部寻优能力 - 改进2：采用折射反向学习机制增加寻找到最优解的概率，提升算法的求解精度和收敛速度 - 仿真图中包含改进后的IBES算法与原始BES算法的比较 - 包含23种测试函数

matlab代码做游戏 国际象棋视觉 使用Python中的微框架在MATLAB中进行图像处理 抽象的 纵观整个历史，国际象棋以其所呈现的复杂性而吸引着全世界数以百万计的人们，这不仅是一种业余爱好，而且还是展示其创造力和改进有计划的决策的机会。 多年来，许多人已经承担了电子跟踪国际象棋比赛的任务。 数字国际象棋棋盘可以轻松地自动记录游戏，但是专用的国际象棋棋盘和棋子可能会很昂贵。 尽管在技术上更具挑战性，但使用图像处理来检测和识别棋盘及其棋子的配置避免了使用数字棋盘的需求。 此外，基于图像的棋子检测是构建棋牌物理机器的关键步骤。 这种机器可用于娱乐或研究，并已被视为有助于发展国际象棋学习能力的交互式玩具。 该项目的目标是使用图像处理快速识别木板和木板。 这项研究的[1] [2]等为使用卷积神经网络（CNN）识别3D棋子提供了一些适用的方法-由于更强大的图像处理算法（例如SURF / SIFT）的结果不足。 为了达到使用这些图像处理工具的目的，排除了3D片段的使用。 我们决定使用广泛用于学习国际象棋的2D棋子来解决问题的棋子识别部分。 除了跟踪国际象棋游戏的状态之外，该系统还将提供国际象棋

MATLAB代码判断温度类型Cubic EoSs - MATLAB 实现 关于作者： 伊曼纽尔·A·克雷斯波化学工程博士：2017-2021 阿威罗大学/CICECO 阿威罗材料研究所 介绍： 该存储库包含 Peng-Robinson (PR) 和 Soave-Redlich-Kwong (SRK) 三次状态方程的实现。 它基于 Michelsen & Mollerups 的书中提供的建议，我向任何对热力学模型的有效实施感兴趣的人推荐。 热力学模型：基础知识和计算方面作者：Michael L. Michelsen & Jorgen Mollerup。 ISBN : 87-989961-3-4 2007年第二版，2018年第二次印刷，Tie-Line Publications 例子： 以下示例说明如何使用此代码来确定逸度系数及其一阶导数的自然对数，以便T 、 P或x可用于不同类型的相平衡计算。 NC= 3 ; % Number of components indexes=[ 1 14 15 ]; % Index of the mixture components in the compo

遗忘因子法matlab代码AMC：自适应模型组合 该模型组合方案的MATLAB / Octave实现 作者： 日期：2021-05-05 关于 该存储库包含： 自适应模型组合（AMC）方法的两个主要元素的实现： afdlm.m具有自适应遗忘（折扣）因子的动态线性模型。 ConfHedge.m ConfHedge算法的固定共享版本： V.V'yugin和V.Trunov。 。 机器学习（108），425-444（2019）。 用于在相应纸张的模拟数据上重现结果的代码。 首先执行文件reproduce.m 。 这将在两个子目录afSims/和mcSims/创建多个CSV文件，分别用于自适应遗忘和模型组合的模拟实验。 要创建实际的数字，请使用Rscript figures.R 执照 该项目已获得MIT许可。 有关详细信息，请参见LICENSE文件。

经纬度距离换算matlab代码HAB Datacube提取 该项目分为培训和测试任务 训练任务将使用一个包含所有HAB的经纬度，日期和（HAB）计数信息的Groundtruth MATLAB .mat文件。 然后，这会在地面真相文件中的每个样本行生成一个H5文件。 该H5文件包含来自卫星的所有成像数据。 然后可以将这些H5文件用于机器学习（交叉验证等）。 测试任务将地理区域划分为测试网格。 然后为测试网格内的每个位置生成数据立方体。 档案文件 BiMonModisAChlr.m ：生成双峰平均值（预处理） train_genAllH5s.m ：输入xml配置文件，然后加载.mat地面真相文件。 然后调用genSingleH5形成所有H5数据立方体。 test_genAllH5s.m ：定义要测试的位置的网格。 然后调用genSingleH5形成所有H5数据立方体。 genSingleH5s.m ：输入inStruc和confgData生成单个H5数据多维数据集的函数。 搜索所有相关的.nc颗粒（使用fd_matchup.py和NASA的CMR界面）。 由所有本地.nc颗粒形成数据立方体

交通流中的NaSch模型与MATLAB代码元胞自动机.docx

1. 由于部分函数更新的原因，本文件夹的所有代码需运行在 MATLAB R2016b 或 2. 对于 Filter_param 程序，由于双重循环，所需计算时间

用卷积滤波器matlab代码KiU-Net-Pytorch | | | 在MICCAI 2020及其上发表的论文的官方Pytorch编码 期刊扩展： 关于此仓库： 此存储库托管以下网络的代码： KiU-Net 2D KiU-Net 3D Res-KiU网 致密网 它还具有组织用于通用2D图像分割和BraTS，LiTS数据集的3D体积分割的数据加载器； 便于对医学图像和体积分割算法进行基准测试。 介绍 在通用的“编码器-解码器”体系结构中，编码器的最初几个块学习数据的低级特征，而后面的块学习高级数据。 最终，编码器学会了将数据映射到较低维度（在空间意义上）。 随着网络深度的增加，接收场的大小也限制了网络将更多的精力放在更高层次的功能上。 在我们提出的体系结构中，我们引入了Ki-Net，其中我们使用了过完整的表示形式，这限制了接收域的增加。 这是通过对编码器的体系结构进行简单的更改来完成的，其中最大池化被上采样替代。 这有助于深层过滤器将更多的注意力集中在低级细节上，从而有助于细分。 当使用U-Net增强时，该网络称为KiU-Net，在分割较小的解剖标志和模糊的噪声边界的情况下，可以带来显