电脑维修小工具

麻雀搜索算法（sparrow search algorithm，SSA）由Jiankai Xue等人于2020年提出，该算法是根据麻雀觅食并逃避捕食者的行为而提出的群智能优化算法。SSA 主要是受麻雀的觅食行为和反捕食行为的启发而提出的。该算法比较新颖，具有寻优能力强，收敛速度快的优点。麻雀群觅食过程也是发现者-跟随者模型的一种，同时还叠加了侦查预警机制。麻雀中找到食物较好的个体作为发现者，其他个体作为跟随者，同时种群中选取一定比例的个体进行侦查预警，如果发现危险则放弃食物。麻雀通常是群居鸟类，种类繁多。与其他许多小鸟相比，麻雀和很强的记忆力。其中有两种不同类型的圈养家麻雀，发现者和加入者。发现者积极寻找食物来源，而加入者则通过生产者获得食物。此外，麻雀能够灵活的在发现者和捕食者之间切换。位于中心的麻雀有时会靠近附近的麻雀，以减少其危险范围。在生活中我们仔细观察会发现，当群体中有麻雀发现周围有捕食者时，此时群体中一个或多个个体会发出啁啾声，一旦发出这样的声音整个种群就会立即躲避危险。

变邻域搜索算法matlab代码

FragPipe 是一套计算工具的 Java 图形用户界面 (GUI)，能够对基于质谱的蛋白质组学数据进行综合分析。 它由提供- 一种适用于常规和“开放”（宽前体质量耐受性）肽识别的超快蛋白质组学搜索引擎。 FragPipe 包括工具包，用于 MSFragger 搜索结果（PeptideProphet、iProphet、ProteinProphet）的下游后处理、FDR 过滤、基于标签的量化和多实验总结报告生成。 和以帮助解释开放搜索结果。 FragPipe 二进制文件中还包括用于基于 TMT/iTRAQ 同量异位标记量化的 、用于具有运行间匹配 (MBR) 功能的无标签量化的 、SpectraST 和 EasyPQP 谱库构建模块以及 DIA-Umpire SE 模块用于直接分析数据独立采集 (DIA) 数据。 FragPipe 教程 （涵盖所有 FragPipe 模块的通用教程）

JRedi搜索 用于Java客户端库 概述 该项目包含一个Java库，该库抽象了RediSearch Redis模块的API，该库在Redis内部实现了功能强大的内存二级索引，查询引擎和全文搜索引擎。 正在安装 JRediSearch可通过maven中央快照存储库和官方发行版使用。 正式发布 < dependencies> < dependency> < groupId>com.redislabs < artifactId>jredisearch < version>2.0.0 快照 < repositories> < repository> <

排名检索引擎 这是使用（VSM）进行分级检索的索引和搜索技术的Python实现。 具体而言，为向量空间评分实现了加权方案。 对于余弦值的计算，由于不影响查询文档之间的相对余弦分数关系，因此有意将查询向量长度的归一化作为优化决策而省去了。 要求 已安装 使用数字命名的组成文档建立索引和搜索的语料库（例如，NLTK数据中的路透社语料库） 索引编制 命令： $ python index.py -i -d -p 是要建立索引的文档集合的目录 是要由索引器创建的字典的文件名 行的格式为：“” 最后一行包含元信息，并指示所有以升序索引的docID以及其矢量长度，格式为： 例如metadata:1

语言:English 在Steam商店中搜索选定的文本

免费RF小工具， SPUR SEARCH,SpurSearch……

派尔蒙 PyLMNN是用于在纯python中进行度量学习的算法的实现。 此实现紧密遵循在找到的Kilian Weinberger的原始MATLAB代码。 此版本解决了无限制的优化问题，并使用L-BFGS作为后端优化器找到了线性变换。 该软件包还可以使用出色的软件包通过贝叶斯优化找到LMNN的最佳超参数。 安装 该代码是在Ubuntu 16.04下的python 3.5中开发的，并且也在Ubuntu 18.04和python 3.6下进行了测试。 您可以使用以下命令克隆存储库： git clone https://github.com/johny-c/pylmnn.git 或通过pip安装它： pip3 install pylmnn 依存关系 numpy的> = 1.11.2 scipy> = 0.18.1 scikit_learn> = 0.18.1 可选依赖项 如果要使用超参

tree树 树的python3实现的集合。 包括AVL树，间隔树等。 安装 pip3 install pytrees 用法 >> > from pytrees import AVLTree , IntervalTree , BinaryIndexTree , Trie >> > avl = AVLTree . buildFromList ([ - 1 , - 2 , 1 , 2 , 3 , 4 , 5 , 6 ]) >> > avl . visulize () -----------------Visualize Tree---------------------- 2 -1 5 -2 1 3 6 4 -----------------End Visualization----------------