MCTS-扑克 无限注德州扑克的启发式搜索算法。 该引擎旨在查找扑克游戏中的玩家类型集群，并学习预测玩家给定牌的动作的对手模型。 为什么是扑克？ 扑克是一种不完全信息的非确定性游戏。 目前，计算机在扑克上的进展并没有取得巨大的成功，而在许多其他游戏中，计算机在确定性和完美信息游戏中都与顶尖的人类玩家处于同一水平。 扑克本身就带来了非常具有挑战性的挑战，具有大量有趣的特性。 项目状态 扑克学习者算法和创建扑克集 (2015-04) 扑克机器人测试 (2015-06) 目前正在开发中，该项目的截止日期是（2015-08） 贡献 查看问题跟踪器（或给我发送电子邮件，有时我懒得更新它） 入门 该项目是在visual studio 2013中构建的，项目结束后将提供完整的文档。

一种新颖的元启发式：原子轨道搜索（AOS）是一种为优化目的而提出的新型元启发式算法。

一种元启发式算法 与基本的蝙蝠算法（BA）不同，NBA中不同的个体有不同的搜索策略，并且在NBA中也嵌入了自适应的局部搜索策略。 从这个意义上说，NBA 是一种多群自适应算法。 模拟和比较显示了NBA在许多元启发式算法上的优越性。

我们研究了两个 D-Wave QPU 在处理器读取次数有限的小型网络路由问题上的性能。 通过将其与标准工作站上使用良好的 Gurobi 和 Cplex 经典求解器进行比较，我们发现 2000Q 和 Advantage 在绝对运行时间方面都产生了卓越的性能。 对于将类似的 QPU 应用于此类问题，这是一个令人鼓舞的概念验证结果。 我们发现确定 QPU 性能最相关的量是我们应用它的 QUBO 的整体大小，尽管我们确实发现底层网络图的大小和源的数量也有显着影响。 虽然这里的大多数问题都涉及小型 QUBO，但偶尔也会产生较大的 QUBO。 即使在几次读取中，QPU 也能够解决大多数小于 20 大小的 QUBO，并且无法超过这个大小。 虽然这个范围仍然可以通过详尽的搜索方法获得，但这项研究仍然提供了有用的概念验证，因为这些问题通常可以很快得到解决。 这份 Processing Time e Processing Time e Processing Time 工作提出了一条通往实际量子优势的途径，其中可以通过经典方式解决的问题仍然通过更快地解决而产生优势。

1. 算法优化算法(AOA)是一种新的元启发式算法，它利用了数学中主要算术运算符的分布特性，该算法于2021年提出。Reference: Abualigah, L., Diabat, A., Mirjalili, S., Abd Elaziz, M., and Gandomi, A. H. (2021). 2. 该资源是算术优化算法的MATLAB代码，可直接运行，对CEC05年版本的基准测试函数进行寻优。运行结果包括最优解和最佳适应度值，以及收敛曲线的图像。

如今，优化算法的设计非常流行来解决各个科学领域的问题。 优化算法通常受代理的自然行为启发，代理可以是人类、动物、植物或物理或化学代理。 过去十年中提出的大多数算法都是受动物行为启发的。 在本文中，我们提出了一种新的优化器算法，称为野马优化器（WHO），其灵感来自野马的社交生活行为。

【完整课程列表】 中山大学 超级计算机学院 Ai人工智能课程 AI课程 第1章 关于AI人工智能 About AI 共79页.ppt 中山大学 超级计算机学院 Ai人工智能课程 AI课程 第3章 状态空间搜索的结构与策略 共58页.ppt 中山大学 超级计算机学院 Ai人工智能课程 AI课程 第4章 启发式搜索 Heuristic Search 共57页.ppt 中山大学 超级计算机学院 Ai人工智能课程 AI课程 第5章 随机方法 Stochastic Methods 共41页.ppt 中山大学 超级计算机学院 Ai人工智能课程 AI课程 第6章 楼宇控制算法 BuildingControlAlgorithms 共48页.ppt 中山大学 超级计算机学院 Ai人工智能课程 AI课程 第7章 知识表示 KnowledgeRepresentation 共80页.ppt 中山大学 超级计算机学院 Ai人工智能课程 AI课程 第8章 强方法解决问题 StrongMethodProblemSolving 共53页.ppt 中山大学 超级计算机学院 AI人工智能课程 AI课程 AI2015课堂练习3 习题question.ppt 中山大学 超级计算机学院 AI人工智能课程 AI课程 AI2016课堂练习1 答案answer.ppt 中山大学 超级计算机学院 AI人工智能课程 AI课程 AI2016课堂练习1 习题question.ppt 中山大学 超级计算机学院 AI人工智能课程 AI课程 AI2016课堂练习2 习题question.ppt 中山大学 超级计算机学院 AI人工智能课程 AI课程 AI2016课堂练习4 习题question.ppt 中山大学 超级计算机学院 AI人工智能课程 AI课程 AI2016课堂练习6 ProductionSystem 习题.ppt 中山大学 超级计算机学院 AI人工智能课程 AI课程 AI2016课堂练习6 答案answer.ppt 中山大学 超级计算机学院 AI人工智能课程 AI课程 AI2016课堂练习7 KnowledgeRepresentation 习题.ppt

算术优化算法 (AOA) 是一种新的元启发式方法，称为算术优化算法 (AOA)，它利用数学中主要算术运算符的分布行为。 主要参考文献： Abualigah, L.、Diabat, A.、Mirjalili, S.、Abd Elaziz, M. 和 Gandomi, AH (2021)。 算术优化算法。 应用力学和工程中的计算机方法。 可以在Github上找到代码： https : //github.com/laithabualigah/The-Arithmetic-Optimization-Algorithm-AOA

汉斯 该存储库包含HANS（NLI系统的启发式分析）数据集。 数据： 文件heuristics_evaluation_set.txt包含本文中介绍的HANS评估集， 。 该文件的格式类似于MNLI版本，因此，如果您的系统是在MNLI上进行培训的，则可以将该文件直接输入到系统中。 否则，您可能需要重新格式化数据以适合系统的输入格式。 该文件中的字段是： gold_label ：此句子对正确的标签（或者entailment或non-entailment ） sentence1_binary_parse ：前提的二进制解析，使用基于斯坦福PCFG的模板生成； 对于某些基于树的模型，这是必要的输入。 sentence2_binary_parse ：使用基于斯坦福PCFG的模板生成的假设的二进制解析； 对于某些基于树的模型，这是必要的输入。 sentence1_parse ：前提的解析

BioMARL：基于生物启发式算法的多智能体强化学习算法 项目介绍： 多智能体系统（MAS）通过解决复杂任务的规模，可靠性和智能性，已被广泛的地面不同的应用领域，如计算机网络，机器人和智能电网等。和生产的重要因素。然而，以往的多代理通信研究主要是预先定义的通信协议或采用额外的决策模块进行通信调度，这将造成巨大的通信开销，并且不能直接推广到一个大型代理集合。了一个轻量级的通信框架：基于信息素协同机制的分布式深度Q网络算法（Pheromone协作深度Q网络，PCDQN） ，它结合了深度Q网络和stigmergy机制。我们证明了PCDQN框架的优越性，同时也将我们的模型转移到解决多代理路径搜索问题上。利用PCDQN框架，多代理编队能够学习适当的策略，成功地在雷区导航环境中获得最优路径。 实验环境 Windows10操作系统，8GB内存，2核Intel Core i7-6500U pytorch-