此提交包括多目标优化算法 (MOA) 的多目标版本的源代码，称为多目标多节优化算法 (MOMVO)。 . 主要论文是： S. Mirjalili、P. Jangir、SZ Mirjalili、S. Saremi 和 IN Trivedi，使用多节优化算法优化多目标问题，知识型系统，2017 年，DOI： http://dx.doi。 org/10.1016/j.knosys.2017.07.018 如果您无法访问该论文，请给我发送电子邮件至 ali.mirjalili@gmail.com，我会将论文发送给您。 所有源代码和额外信息以及更多优化技术都可以在我的个人网站http://www.alimirjalili.com 上找到 MVO的源代码可以在这里下载： https : //au.mathworks.com/matlabcentral/fileexchange/50112-mult

撰写学位论文和期刊论文的好帮手。我到当当去看了，要200多刀，简直是抢人,到网上找到了，放上来共享。我的分要用完了，所以分值定的稍高。

语言:English (United States) 搜索并突出显示网页上的多个单词。 可以为您做：-在所有页面上突出显示多个英语单词。 （当前与英语单词匹配的整个单词）-您的单词将被保存。 *安装此扩展程序后需要刷新打开的页面。 如果您喜欢它，可以在Patreon（https://www.patreon.com/alexius_lee）上支持它，也可以通过PayPal（https://www.paypal.me/alexiuslee）捐赠。更改日志：-1.21-删除跟踪日志代码（几年前已停止接收）。 -1.12〜1.20-错误修复。 -1.11-暂时回滚到v1.7。 -1.10-更改：跳过“内容可编辑”元素； 支持单字母非英语单词。 -1.7〜1.9-错误修复。 -1.6-首次安装后可以突出显示，而无需刷新页面。 -1.5-修复了一些错误，更好的描述。 -1.4-添加一个开关按钮，以启用或禁用突出显示。 -1.3-HTTPs页面启用，重新设计突出显示逻辑。 -1.2-图标美化，修复了一些错误。 -1.1-高亮样式美化了。 -1.0-核心功能已完成。

针对传统入侵检测技术难以适应大流量、高带宽的动态网络环境的局限性，在对软件人(SM)的基本理论和智能特性研究基础上，受其启发提出了基于群体软件人(MSM)的智能入侵防御系统协作控制模型。模型采取无控制中心的群体软件人分布式体系结构，避免了单个中心分析器带来的单点失效问题；同时该系统还充分利用了软件人智能协商控制机制，有效地解决信任社区内与社区间的协同预警及防御问题，也为网络安全防范提供了新的研究思路。

C-LIENet-一个多上下文低光图像增强网络 论文“ C-LIENet：多上下文低光照图像增强网络”的官方代码存储库，IEEE Access，第1卷。 9，pp。31053-31064，2021年

DFT的matlab源代码多信仰室预订系统 执照 麻省理工学院执照 版权所有（c）2017穆斯林数字服务 特此免费授予获得该软件和相关文档文件（“软件”）副本的任何人无限制地处理软件的权利，包括但不限于使用，复制，修改，合并的权利，发布，分发，再许可和/或出售本软件的副本，并允许具备软件的人员这样做，但须满足以下条件： 以上版权声明和此许可声明应包含在本软件的所有副本或大部分内容中。 本软件按“原样”提供，不提供任何形式的明示或暗示担保，包括但不限于对适销性，特定目的的适用性和非侵权性的担保。 无论是由于软件，使用或其他方式产生的，与之有关或与之有关的合同，侵权或其他形式的任何索赔，损害或其他责任，作者或版权所有者概不负责。软件。 字体许可说明 此字体由Nathaniel Porter根据运输部对交通标志法规和一般指示文档的拟议修订中的图像制成，可在以下位置找到： 该字体可以在线找到，网址为： 它不得用于商业目的。

DFT的matlab源代码MULTI-NILM：一种用于多标签非侵入式负载监控的新颖框架 描述 该存储库基于标题为[1]的论文，可用于复制实验。 它定义了用于多标签NILM系统的框架，并包括以下时间序列表示： Signal2Vec，BOSS，SFA，WEASEL，DFT，SAX，1d-SAX，PAA ； 并使用Taken定理实现延迟嵌入。 随时重用，修改和扩展此存储库。 多NILM框架 Multi-nilm是用于高效非侵入式负载监控系统的新颖框架。 它具有三个固有属性： 它利用数据表示法来进行充分的降维。 它使用轻量级分解模型。 它解决了作为多标签分类问题的分类问题。 例子 实验示例可以在目录实验下找到。 该模块定义了三种类型的实验（ GenericExperiment， ModelSelectionExperiment和REDDModelSelectionExperiment ）。 您还可以通过扩展抽象类nilmlab.lab.Experiment来创建自己的实验。 定义实验后，只需几行代码即可进行设置和配置。 所有名称为run * .py的文件都是特定的实现，可以用作参考。 为了运

论文题目：Adversarial Multi-task Learning for Text Classification 作者：Pengfei Liu, Xipeng Qiu and Xuanjing Huang 出处：ACL 2017 论文主要相关：多任务学习、文本分类、情感分析 概要：常规的多任务学习通常单纯的共享某些参数，导致共用特征空间和私有特征空间中存在大量冗余的特征。作者提出了一种对抗性多任务学习框架，缓解了共享特征空间和特定任务特征空间（私有潜在特征空间）之间的相互干扰的问题，并采用对抗学习确保共用特征空间中仅存在共用特征和任务无关的特征，辅以正交约束来去除私有和共用特征空间中冗余的特征。在16个任务的情感分析测试中，该框架比单任务学习平均效果提升了4.1%，比其他多任务学习框架（FS-MTL、 SP-MTL等）效果更好。并且实验结果表明模型的共享特征学习到的知识，容易被迁移到新任务的情感分析中。

多TSP-GA Multi-TSP-GA使用遗传算法解决多无人机任务分配和路径规划。 该项目由 Nuri OZALP 和 Mehmet Akif YANATMA 制作

matlab 图像膨胀代码具有稀疏约束的多核回归 概述： i) MATLAB implementation of learning using multiple kernels with gTV regularization ii) Comparison with other kernel methods in a simple numerical example. 只要用户引用以下文章，就允许使用这些代码： S. Aziznejad, M. Unser, "An L1 Representer Theorem for Multiple-Kernel Regression," arXiv:1811.00836 [cs.LG] 要求： i) GlobalBioIm library: https://github.com/Biomedical-Imaging-Group/GlobalBioIm ii) SimpleMKL package: http://asi.insa-rouen.fr/enseignants/~arakoto/code/mklindex.html 说明： Example.