换能器 ========== 库提供可组合的算法转换，这些转换独立于其输入和输出源的上下文，并且仅指定转换的本质。 换句话说，转换器不与它们正在操作的数据耦合，因此可以对内置 JS 类型（如数组、字符串、数字、迭代器）进行操作，也可以对自定义类型（如数据结构、 Observables）进行操作， 或您可能决定使用它们的任何其他内容。 以下资源很好地介绍了该库实现的 Transducers 思想。 应用程序接口 换能器 地图(f) 将f应用于输入数据结构的每一项。 const { map } = require ( "transducers" ) const inc = map ( x => x + 1 ) inc ( [ 2 , 3 , 4 ] ) // => [3, 4, 5] 过滤器(p) 仅保留输入中p(item)返回逻辑true 。 const { filter

#KVO 模式的实现，灵感来自 Google Maps API v3 MVCObject 类 在构建基于 MVC 的 JavaScript 应用程序时发现 Google Maps API v3 MVCObject是一个非常有用的工具后，MVCObject-js 被编写为在独立脚本中复制它的功能 - 您不再需要下载整个 Google Maps API 来使用 MVCObject。 MVCObject 的命名有点令人困惑，它是“观察者”模式的一种实现。 碰巧它对于构建基于 MVC 的应用程序非常有用 - 它可以作为模型视图和控制器元素之间的粘合剂。 所有方法都与 google.maps.MVCObject 相同 - 请参阅此处的文档： 这是一个独立的类 - 您可以在任何 JavaScript 应用程序中使用它，它不必与 Google Maps 相关。 ＃＃这个怎么运作 该功能围绕这样一

功能： 1. 立刻判断是否有解 2. 对于所有有解的情况，只要对搜索的状态数的限 制适当放宽，总是能够找到解的 3. 支持随机初始状态和自给定初始状态 4. 支持游戏模式 呵呵 运行参数: 1. 不带参数 随机初始状态搜索 java rearrange.Rearrange 2. 参数rc： random calculate，功能同1 java rearrange.Rearrange rc 3. 参数fc：fixed calculate，搜索指定初始状态 java rearrange.Rearrange fc 3-4-2-7-0-1-5-6-8 4. 参数rg：random game， fg：fixed game 自己看看吧 java rearrange.Rearrange rg java rearrange.Rearrange fg

狼群优化算法，一种新的启发式算法，很适合初学者学习使用，内部有文档说明，可以参考文档进行学习使用，同时对于深层学习具有很好的作用

著名优化专家Beasley, J E写的拉格郎日松弛启发式求解整数规划的讲义，非常细致，举例详细；是入门的最好参考资料。内容有：拉格郎日松弛求下界的方法（次梯度；调整对偶乘子法）；对偶法求下界；分支定界树搜索求整数解。数学建模；线性规划；算法：智能算法。

8数码问题启发式搜索及过程式表示，MFC下可视化操作。

深度学习，无人驾驶， 智能汽车方面的论文大概20几篇 有启发参考意义。

gplearn：Python中的遗传编程，具有受scikit-learn启发的API

•一种混合元启发式优化算法，结合了萤火虫和粒子群算法的优点。 •通过控制先前的全局最佳适应值提出局部搜索策略。 请引用： İbrahim Berkan Aydilek，一种用于计算昂贵的数值问题的混合萤火虫和粒子群优化算法，应用软计算，第 66 卷，2018 年 5 月，第 232-249 页

How to Solve It_Modern Heuristics，启发式解决方法，欢迎下载