行为树框架 for Lua 机缘巧合，近几年的工作一直有涉及到游戏AI这块，网上常见的行为树+黑板似乎不太能满足复杂策划需求，也不太可能让策划自己去配置这种行为树。因此，我对行为树的黑板进行了小改造，让行为树更像一个代码编辑器，我们程序提供为数不多的行为节点，让策划通过编辑行为树来实现他们想要的逻辑，这对于游戏程序员来说也算是一种解放吧。 基本概念 节点数据结构 { name = 'find_enemy', -- 节点名称 desc = '查找敌人'， -- 说明 args = {w = 100, h = 50}, -- 常量配置 input = {'var1', 'var2'}, -- 输入变量 output = {'target'}, -- 输出变量 children = {}

针对配电网故障信息出现异常尤其是不可识别异常而导致误判的问题，提出了一种基于网络树状图和改进D-S证据理论的配电网故障定位新方法。该方法的突出优点在于使用多源信息进行故障定位，可避免因单源信息发生异常导致的误判。首先提出了一种新的基于网络树状图的搜索算法，该算法利用配电网故障时产生的故障指示器信息、配变报警信息和电话投诉信息建立相应的网络树状图，并通过搜索网络树状图进行故障初步定位。然后利用改进D-S证据理论将每种故障信息的定位结果进行信息融合，得到最终的定位结果。实例结果表明所提方法有效、可行，可以解决故障信息出现不可识别异常时的定位问题。

你不得不了解的机器学习知识 1.什么是机器学习? (1)机器学习、深度学习、人工智能是什么关系？ 机器学习包含了很多种不同的算法，深度学习就是其中之一，其他方法包括决策树，聚类，贝叶斯等。 深度学习的灵感来自大脑的结构和功能，即许多神经元的互连。人工神经网络（ANN）是模拟大脑生物结构的算法。 不管是机器学习还是深度学习，都属于人工智能（AI）的范畴。所以人工智能、机器学习、深度学习可以用下面的图来表示： (2)机器学习的基本思路 通过训练集，不断识别特征，不断建模，最后形成有效的模型，这个过程就叫“机器学习”！ (3)监督学习、非监督学习、强化学习 机器学习根据训练方法大致可以分为3大类

使用Python写决策树算法（c4.5决策树），包括代码和源数据。代码量少，并且写好注释，清晰易懂。但是调了许多包没有用上，可适当删改。

树 C语言中的实现。 特征 支持任意数量的尺寸 通用接口，支持可变大小的物品 ANSI C（C99） 支持自定义分配器 坚固，独立的测试 相当不错的表现 :rocket: 例子 # include < stdio> # include < string> # include < math.h > # include " rtree.h " struct city { char *name; double lat; double lon; }; struct city phx = { . name = " Phoenix " , . lat = 33.448 , . lon = - 112.073 }; struct city enn = { . name = " Ennis " , . lat = 52.843 , . lon = - 8.986 }; struct

受煤矿配电网区域规模的约束,传统启发式搜索很难快速定位配电网故障,无法实现配电网故障自愈。以煤矿典型配电网为研究对象,采用最小生成树算法建立相关数学模型对其进行故障定位及重构。将煤矿配电网内的电源、负荷、开关作为节点,配电网可靠性及网损作为遍历约束条件,得到配电网恢复重构的最佳开关组合。采用该算法后,煤矿配电网监控系统可通过远程指令快速切除故障,将非停电区域负荷迅速接入其他馈线,实现煤矿配电网故障自愈。

python实现哈夫曼树，蓝桥杯训练题通过

LabVIEW 2016版本的代码，可以选择某个路径或者盘符，自动穷举出该路径下所有文件夹和文件；

用于构建进化树的软件，内含建造的教程。但是一个测试版的！

二进制设备树转设备树源文件工具，适合windows使用。选择dtb文件后将会自动换成dts源文件。