原论文https://arxiv.org/abs/2201.03545 基于论文复现convnext代码，纯卷积模块精准度超越swintransformer 用于改进yolov5/7/8

融合柯西变异和反向学习改进麻雀算法(SSA)优化BP神经网络回归预测，SSAnew-BP回归预测，多变量输入单输出模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

为解决基本遗传算法在实际应用中存在的收敛速度低及稳定性差的问题.采用了单纯同伦算法与基本遗传算法相结合的改进算法,将n维函数优化问题放到高一维的空间中.改进后的算法通过同伦参数的变化设置跟踪路径,使用网径渐细的单纯剖分,使目标解的精度随着算法的迭代过程逐渐提高,在不损失算法效率的前提下提高了算法的精度;算法依据单纯剖分的顶点整数标号信息作为判断收敛的标准,改善了基本遗传算法判敛标准受人为因素影响的缺点,提升了稳定性.优化算例表明:与相关文献的优化算法相比较,改进后的遗传算法有更高的效率及更高的精度.

针对静态的Bayer抖动算法会产生块状效应的缺陷，提出了随时间变换抖动矩阵的动态Bayer抖动算法。该改进算法主要根据人眼的视觉特性，对每帧视频图像套用轮换的Bayer抖动矩阵模板，通过多帧图像叠加，消除块状效应。用VerilogHDL对改进的抖动算法进行行为级描述，该图像抖动模块设计可支持1～4bit抖动，通过仿真和综合，用FPGA进行了硬件实现。验证结果表明该动态抖动算法易于硬件实现，适用于动态图像的实时处理，并且在保持静态抖动算法优点的基础上，有效消除了块状效应。

改进动态窗口DWA算法，模糊控制自适应调整评价因子权重，matlab代码，完全自己编写 这段代码是一个基于动态窗口法（Dynamic Window Approach，DWA）的路径规划算法的实现。下面我将对代码进行分析，并解释算法的优势、需要注意的地方以及独特算法所用到的内容。 首先，代码开始时定义了一个地图map0，表示机器人的运动环境。地图中的0表示可通行的区域，1表示障碍物。接着，代码对地图进行了旋转，以保证地图和预期设置的地图一致。然后，获取了地图的高度和宽度。 接下来，代码设置了绘图的参数，并绘制了地图中的障碍物。障碍物的坐标保存在obstacle数组中。然后，代码定义了起始点和目标点，并在图中绘制了起始点和目标点。 接着，代码计算了机器人的初始航向角，使其朝向目标点，以防止陷入局部最优。然后，定义了机器人的状态，包括位置、航向、线速度和角速度。 代码中的dt表示仿真步长，predictT表示前向模拟时间。obs表示障碍物的坐标数组，collisionR表示碰撞半径。 接下来，代码定义了运动学的限制，包括最高速度、角速度、加速度、角加速度以及线速度和角速度的分辨率

路径规划算法仿真 A星算法 传统A*(Astar)算法+改进后的A*算法 Matlab代码 可以固定栅格地图与起点终点 可以进行定量比较 改进： ①提升搜索效率（引入权重系数） ②冗余拐角优化（可显示拐角优化次数） ③路径平滑处理（引入梯度下降算法配合S-G滤波器） 想要的可以加好友我 先发传统A＊代码确认可以运行后补发改进后的A*算法完整程序 代码含注释

针对无人机SEAD任务的路径规划问题，利用VORONOI图构建初始路径，分析了路径代价计算方法，并使用改进的多目标蚁群算法对路径进行优化选择。针对该特殊应用场景，引入了各路径段与起始点—目标点连线的夹角信息作为新的启发信息，加快了算法的搜索速度，同时改进启发信息的计算公式，适当缩小各可选路径段启发信息量的差异，加强了蚁群算法的全局搜索能力。仿真结果显示，与基本多目标蚁群算法相比，改进后的算法有效提高了路径搜索的效率和质量。

DG储能选址定容模型matlab 程序采用改进粒子群算法，考虑时序性得到分布式和储能的选址定容模型，程序运行可靠

注意力机制代码 SE CBAM ECA CA SimAM S2-MLPv2 NAMAttention Criss-CrossAttention GAMAttention Selective Kernel Attention ShuffleAttention A2-Net RFB CoTAttention EffectiveSEModule GatherExcite MHSA ParNetAttention SpatialGroupEnhance SequentialPolarizedSelfAttention TripletAttention

基于改进蚁群算法的油品调和配方优化研究，刘甲林，李琦，油品调和是生产成品油的关键环节，调和配方的优劣决定了炼油厂最终利润的大小。针对油品调和复杂非线性约束配方优化问题，提出了