初学者学习差分进化算法很好的资源。Matlab平台

注释清楚 使用方便 [1] H. Azami, S. Arnold, S. Sanei, Z. Chang, G. Sapiro, J. Escudero, and A. Gupta, "Multiscale Fluctuation-based Dispersion Entropy and its Applications to Neurological Diseases", IEEE ACCESS, 2019. [2] H. Azami, and J. Escudero, "Amplitude-and Fluctuation-Based Dispersion Entropy", Entropy, vol. 20, no. 3, p.210, 2018. Matlab代码！

这篇论文的思路特别好： 我们提出了一种用于脑电情感识别的端到端深度学习方法。该神经网络综合考虑了脑电信号的空间信息、时间信息和注意力信息。将CNN,RNN和通道注意力机制（channel-wise attention）和扩展自我注意力机制（self-attention mechanisms）混合起来，同时通过通过注意力机制计算出各个通道权重，筛选出更有价值的通道。同时采用DE作为频域特征，结合时域特征和空间特征三大特征相融合考虑。模型方面：CNN+RNN（CNN-RNN）、通道性注意机制+CNN+RNN（A-CNN-RNN）和CNN+RNN+扩展自我注意机制（CNN-RNN-A）、连续卷积神经网络（Conti-CNN）、图卷积神经网络（GCNN）和卷积复发注意力模型（CRAM）。介绍了六种深度学习方法和两种传统方法进行比较，六大模型相互对比，在DEAP数据库的效价和觉醒分类任务中，平均情绪识别准确率分别为92.74%和93.14%！希望大家能好好理解阅读。 我们将通道性注意整合到CNN中，CNN可以提取空间注意特征，通道性注意可以提取通道间的注意信息。

本资源为差分进化算法C++的实现，在头文件里进行声明和定义，可直接调用，代码都用中文进行详细的注释。

友晶出的DE-SOC培训教材，带书签，总共七章，适合初学者。

通过串联质谱技术进行多肽测序是蛋白质组学领域中蛋白质识别最强有力的工具之一。因为完整的基因组序列正在迅速地积聚，串联质谱光谱解释的最近趋势早已是数据库搜索。然而，从头测序串联质谱光谱解释仍然是一个公开的问题，它典型地包含质谱专家手工解释。我们为从头测序解释开发了一种新算法SHERENGA，它可以自动地从任何类型质谱仪产生的一个测试光谱集合中学习碎片离子的类型和强度阈值。测试数据用来构建串联质谱光谱表示图中的最佳路径打分。一个高得分路径的分级列表对应了潜在的多肽序列。SHERENGA在解释未知蛋白质的多肽序列和验证全自动、高通量多肽测序数据库搜索算法的结果时是最有用的。

PSO和DE的大牛文章，在自己写文章或者引用都是很有用的

pc3000DE使用说明书 ， 十分详细， 免费下载

为了偷袭网上那些遍地牛羊的牧场,黑客需要准备精良的武器--攻击代码.为了DIY攻击代码使他可以工作,必须知道怎样使用黑客工具.DIY攻击代码,需要你勤于思考,精通编程语言,精通汇编语言,掌握处理器的操作原理,了解我indows,linux操作系统架构.

软件介绍： 将任何BAT、CMD批处理脚本编译为EXE文件！此完美解密套装版包含编译器（Compiler，v2.0.7.0）和反编译器（DeCompiler，v1.0.3.6，重新汉化）。