MOID.jl 计算两个给定的共聚焦椭圆形轨道的MOID-最小轨道相交距离。 它使用旋转子午面的想法，并通过数值计算MOID。 Julia模块是波兰科学研究院空间研究中心的原始作者Hans Rickman和TomaszWiśniowski组成的Fortran程序的包装。 他们的论文中描述了该方法： T.Wiśniowski和H.Rickman，“一种用于计算精确最小轨道相交距离（MOID）的快速几何方法”，2013年《天文学报》 本文和源代码在deps和docs子目录中提供。 安装 然后可以通过Julia的软件包管理器安装MOID.jl。 在Linux和macOS上，您需要安装Gfortran或Intel Fortran编译器才能构建二进制依赖性。 pkg > add " https://github.com/mkretlow/MOID.jl.git " 快速开始 julia

项目目标 在Julia中设计一个用于计算几何和网格划分算法的综合库。 使用网格（例如GIS，CFD，计算机视觉，图形）将不同的科学界联合起来 安装 使用Julia的软件包管理器获取最新的稳定版本： ] add Meshes 文献资料 -文档的最新标签版本。 —文档的开发中版本。 贡献 我们非常欢迎您提供文稿，功能要求和建议也一样。 如果遇到任何问题，请打开一个问题。 我们非常重视问题，重视任何形式的反馈。 在源代码方面，我们有很高的标准。 提交请求时，请采用文件中存在的编码样式。

QuantumOptics.jl：用于封闭和开放量子系统的数值模拟的库

此软件包应由软件包开发人员用作后端。 它允许开发人员在其程序包定义的fit方法中添加::CovarianceEstimator参数。 有关FixedEffectModels ，请参见FixedEffectModels 。 此程序包中定义的每种类型都定义以下方法： # return a vector indicating non-missing observations for standard errors completecases (table, :: CovarianceEstimator ) = trues ( size (df, 1 )) # materialize a CovarianceEstimator by using the data needed to compute the standard errors materialize (table, v :: Cov

Stride 是用于分配蛋白质二级结构的软件。这个包将它包装在一个 Julia 包中

XGBoost.jl Julia的极限梯度提升 抽象的 该软件包是的Julia接口。 它是分布式梯度提升框架的高效且可扩展的实现。 该软件包包括高效的线性模型求解器和树学习算法。 该库使用OpenMP进行了并行化，它可以比某些现有的梯度增强软件包快10倍以上。 它支持各种目标函数，包括回归，分类和排名。 该软件包还具有可扩展性，因此用户也可以轻松定义自己的目标。 特征 稀疏的特征格式，可以轻松处理缺失值并提高计算效率。 高级功能，例如自定义损失功能，交叉验证，请参阅以获取演练示例。 安装 ] add XGBoost 或者 ] develop " https://github.com/dmlc/XGBoost.jl.git " ] build XGBoost 默认情况下，该软件包在Linux，MacOS和Windows上为XGBoost v0.82.0安装预构建的二进制文件。 只有L

AbaqusReader.jl 是对 ABAQUS FEM 模型的解析。它能够准确地解析几何，包括表面集、节点集以及有限元计算中使用的其他相关几何数据。其他选项是解析整个模型，包括边界条件、材料数据和加载步骤。 AbaqusReader.jl 可用于解析 ABAQUS .inp 文件格式。导出了两个函数：abaqus_read_mesh(filename::String)可用于将网格解析为简单的基于 Dict 的结构。借助函数abaqus_read_model(filename::String) ，还可以从模型中解析更多信息，例如边界条件和步骤。

TransitionalMCMC.jl Julia（Julia）中过渡马尔可夫链蒙特卡罗（TMCMC）的实现。 此实现很大程度上受到OpenCOSSAN中的限制的。 TMCMC算法可用于从未归一化的概率密度函数（即贝叶斯更新中的后验分布）采样。 TMCMC算法克服了Metropolis Hastings的一些问题： 可以有效地采样多峰分布 在高尺寸下效果很好（在合理范围内） 计算证据 通过算法选择提案分配 易于并行化 TMCMC不是从后验中直接采样，而是从易于采样的“过渡”分布中采样。 被定义为： 其中0 <= B j <= 1，在算法中从B j = 0（先验）开始，再到B j = 1（后验）。 安装 这是尚未注册的julia包裹。 但是，可以使用Julia软件包管理器安装此软件包： julia > ] pkg > add https : // github . com / A

高斯随机域 文献资料 建置状态 覆盖范围 GaussianRandomFields是一个Julia包，用于从高斯随机字段计算和采样。 主要特征 支持平稳的可分离和不可分离的各向同性和各向异性高斯随机场。 我们提供大多数标准协方差函数，例如高斯，指数和Matérn协方差。 添加用户定义的协方差函数非常容易。 生成高斯随机场的最常用方法的实现：乔尔斯基分解，特征值分解，Karhunen-Loève展开和循环嵌入。 轻松生成在有限元网格上定义的高斯随机场。 多功能绘图功能，可使用轻松可视化高斯随。 安装 GaussianRandomFields是已注册的软件包，因此可以通过以下方式安装 ] add GaussianRandomFields 用法 有关如何使用此软件包的介绍，请参见（包括精美图片！）。 有关详细手册，请参见 参考 [1] Lord，GJ，Powell，CE和Shar

纽约联储DSGE模型（版本1002） DSGE.jl包实现了纽约联储动态随机一般均衡（DSGE）模型，并提供了通用代码来估算许多用户指定的DSGE模型。 该软件包在Liberty Street Economics博客文章。 （我们之前将模型称为“ FRBNY DSGE模型”。） 此Julia语言实现反映了Liberty Street Economics博客文章包含的MATLAB代码。 单击上面的docs|dev按钮可以访问代码的docs|dev 。 有关最新型号版本的文档，请阅读此 。 纽约联储DSGE团队目前正在扩展代码，以解决和估计异构代理模型。 过滤和平滑算法可在已注册的软件包。 可以在注册软件包找到用于估计DSGE模型的顺序蒙特卡洛（SMC）采样的。 的基础AbstractModel类型，从该AbstractDSGEModel类型导出，在已注册的包被定义 。 纽约联储可酌