针对AHP算法实际应用存在的不足 利用无条件模糊优越集理论和模糊代数理论对AHP做了进一步改进 减少了繁多的权数确定与一致性检验过程 使其更加便于操作和实际应用.

计算三角网格离散曲面曲率的Meyer方法几何意义简明，计算量较小，但其计算效果仍有进一步提高的潜力。通过对Meyer方法的深入分析，提出了平均曲率构造向量和Gauss曲率构造角的概念，并指出了它们的几何意义，在此基础上构造了对Meyer方法的改进算法。经分析，提出的改进算法精简了各个主要计算步骤，避免了不必要的计算误差。仿真计算结果表明，改进算法是有效的，提高了三角网格离散曲率的计算精度和计算效率。

大数据环境下,传统的串行FP-Growth算法在处理海量数据时,占用内存过大、频繁项多,适用于大数据情况的PFP(parallel FP-Growth)算法存在数据量增大无法处理的缺陷。针对这些问题,提出了基于Hadoop的负载均衡数据分割FP-Growth并行算法。在Hadoop平台下,使用负载均衡和数据分割相结合的方式对原始事务数据集分片实现并行化。实验证明,基于Hadoop的负载均衡数据分割FP-Growth并行算法在处理数据量和效率上有所提高。

【通信】基于能量均衡LEACH改进算法matlab代码

受骆驼旅行行为启发的新元启发式算法，请参阅一种用于工程应用的改进骆驼行进行为算法，澳大利亚电气和电子工程杂志，卷。 16号1，2019 年，第 176-186 页。

数据挖掘中关联挖掘算法比较典型的有Apriori和FP-growth算法．实验和研究证明FP-growth算法优于Apriori算法．但是针对大型数据库这两种算法都存在着较大缺陷，不仅要两次或多次扫描数据库，而且很难处理支持度和数据变化等关联规则更新问题．作者提出了基于模式矩阵的FP-growth改进算法，它至多扫描数据库一次，特别在更新问题上不用重新扫描数据库．通过实验结果分析，验证了这种改进算法相对于原有FP-growth算法的优势，特别在大数据集下，大大降低了挖掘的时间复杂度。

针对当前行人检测方法实时性和精度不能同时兼顾的问题,提出基于YOLOv3改进的实时行人检测算法。本算法对YOLOv3模型进行改进,融入标签平滑,增加多个尺度检测,并采用k-means算法得到模型中的anchors值,实现自动学习行人特征。通过在Caltech数据集上测试结果表明,改进后的YOLOv3行人检测算法mAP(mean Average Precision)达到了91.68%。在分辨率1 920×1 080的视频下,运行速度超过每秒40帧,满足实时行人检测的需求。在Daimler、INRIA行人检测数据集测试结果表明,该改进模型同样具有良好的性能,从而验证该模型具有良好的鲁棒性和泛化能力。

该程序为差分进化及其改进算法的matlab程序，其中包含了标准差分进化算法DE，以及三种改进算法ADE，SDE,SADE，程序运行时需注意里面部分包含了两种不同的应用，所以根据需要把不相关的注释掉（已注明一种）

算法改进 由m(i,j)的递归式容易证明，在一般情况下，对每一个确定的i(1≤i≤n)，函数m(i,j)是关于变量j的阶梯状单调不减函数。跳跃点是这一类函数的描述特征。在一般情况下，函数m(i,j)由其全部跳跃点惟一确定。如图所示。 对每一个确定的i(1≤i≤n)，用一个表p[i]存储函数m(i，j)的全部跳跃点。表p[i]可依计算m(i，j)的递归式递归地由表p[i+1]计算，初始时p[n+1]={(0，0)}。

用C++对改进后的模糊C均值算法进行了实现。