2 列向量包含城市的坐标。 该算法生成最佳路径，只访问所有城市一次，然后返回起始城市。 为所有城市做： 1.选择一个城市作为当前城市。 2. 找出连接当前城市和未访问城市的最短边。 3.将新城市设置为当前城市。 4. 将上一个当前城市标记为已访问。 5. 如果所有城市都被访问过，则终止。 6. 转到步骤 2。 该算法有其局限性，根据城市在地图上的分布，它可能会也可能不会给出最佳解决方案。 它解决了其他一些提交的文件所具有的同样遥远的城市的问题。

模式识别大作业of哈工大（威海）10级。采用PCA+K近邻算法。代码目前分为两部分，PCA部分和K近邻部分。另外，用MFC做了PCA界面，留有集成K近邻算法的接口，可以自己集成。如非以上群体，请到程序中修改相应代码，否则，后果自负。最后，本人不对程序是否被多次引用负责。

课程的随堂作业，C语言的，用dev就能运行，萌新代码，勿喷，仅仅帮助不想写作业的朋友方便一下，反正老师也不会仔细检查的

TSP_NN 旅行商问题 (TSP) 最近邻 (NN) 算法最近邻算法产生不同的结果取决于选择哪个城市作为起点。 这个函数决定多个起点和返回的最近邻路线这些路线中最好的概括： 1. 一名推销员前往每个城市并完成返回他出发的城市的路线2. 每个城市只被推销员访问一次 输入： 具有零个或多个以下字段的 USERCONFIG（结构）： - XY (float) 是一个 Nx2 的城市位置矩阵，其中 N 是城市的数量- DMAT (float) 是一个 NxN 点到点距离/成本矩阵- POPSIZE（标量整数）是人口的大小（应该是 <= N） - SHOWPROG（标量逻辑）如果为真则显示 GA 进度- SHOWRESULT（标量逻辑）如果为真则显示 GA 结果- SHOWWAITBAR（标量逻辑）如果为真则显示等待栏 输入注意事项： 1. 不是传入包含这些字段的结构，而是任何/所有这些输入可以

主要介绍了Python实现KNN（K-近邻）算法的示例代码，它主要用于对事物进行分类。小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧

【案例描述】 海伦使用约会网站寻找约会对象。经过一段时间之后，她发现曾交往过三种类型的人: 不喜欢的人 魅力一般的人 极具魅力的人 她希望: 工作日与魅力一般的人约会 周末与极具魅力的人约会 不喜欢的人则直接排除掉 现在她收集到了一些约会网站未曾记录的数据信息，这更有助于匹配对象的归类。 【开发步骤】 收集数据: 提供文本文件 准备数据: 使用 Python 解析文本文件 分析数据: 使用 Matplotlib 画二维散点图 训练算法: 此步骤不适用于 k-近邻算法 测试算法: 使用海伦提供的部分数据作为测试样本。 使用算法: 产生简单的命令行程序，然后海伦可以输入一些特征数据以判断对方是否为自己喜欢的类型。 【注】本实例对于每步都有详细讲解，若有不理解部分，可私信解答。

近邻传播聚类 AP聚类源码（C++） 含测试数据

使用sklearn库自带的手写数字数据来进行PCA降维后再用K-近邻算法去训练，拥有展示成果功能。

mnist分类 使用多种方法完成MNIST分类任务 Python 3.6 火炬1.0 Scikit学习0.21 无需下载数据直接跑，代码自动下载 模型 逻辑回归Logistic回归 多层感知机 K近邻KNN 支持向量机 卷积神经网络 循环神经网络 实验报告 见mnistClassification.pdf 对应的latex原始码： :

近邻法，k近邻法与剪辑近邻法 计算错误率