数据结构框架，含各部分知识详解、代码，44页

osip源代码框架详解.pdf

这是利用卷积神经网络进行猫和狗的图像分类的相关代码，由于训练和测试的数据集较大，所以没有放上来，训练数据集需要自行下载

这是一个完整的java贪吃蛇游戏，有六个文件，主函数启动游戏，另外有一个文件food是食物，worm是贪吃蛇，wormstage是管理贪吃蛇运动的文件

C语言自由落体代码的详解

在生命科学领域中，人们已经对遗传(Heredity)与免疫(Immunity)等自然现象进行了广泛深入的研究。六十年代Bagley和Rosenberg等先驱在对这些研究成果进行分析与理解的基础上，借鉴其相关内容和知识，特别是遗传学方面的理论与概念，并将其成功应用于工程科学的某些领域，收到了良好的效果。时至八十年代中期，美国Michigan大学的Hollan教授不仅对以前的学者们提出的遗传概念进行了总结与推广，而且给出了简明清晰的算法描述，并由此形成目前一般意义上的遗传算法(GeneticAlgorithm)GA。由于遗传算法较以往传统的搜索算法具有使用方便、鲁棒性强、便于并行处理等特点，因而广泛应用于组合优化、结构设计、人工智能等领域。另一方面，Farmer和Bersini等人也先后在不同时期、不同程度地涉及到了有关免疫的概念。遗传算法是一种具有生成+检测 (generate and test)的迭代过程的搜索算法。从理论上分析，迭代过程中，在保留上一代最佳个体的前提下，遗传算法是全局收敛的。然而，在对算法的实施过程中不难发现两个主要遗传算子都是在一定发生概率的条件下，随机地、没有指导地迭代搜索，因此它们在为群体中的个体提供了进化机会的同时，也无可避免地产生了退化的可能。在某些情况下，这种退化现象还相当明显。另外，每一个待求的实际问题都会有自身一些基本的、显而易见的特征信息或知识。然而遗传算法的交叉和变异算子却相对固定，在求解问题时，可变的灵活程度较小。这无疑对算法的通用性是有益的，但却忽视了问题的特征信息对求解问题时的辅助作用，特别是在求解一些复杂问题时，这种忽视所带来的损失往往就比较明显了。实践也表明，仅仅使用遗传算法或者以其为代表的进化算法，在模仿人类智能处理事物的能力方面还远远不足，还必须更加深层次地挖掘与利用人类的智能资源。从这一点讲，学习生物智能、开发、进而利用生物智能是进化算法乃至智能计算的一个永恒的话题。所以，研究者力图将生命科学中的免疫概念引入到工程实践领域，借助其中的有关知识与理论并将其与已有的一些智能算法有机地结合起来，以建立新的进化理论与算法，来提高算法的整体性能。基于这一思想，将免疫概念及其理论应用于遗传算法，在保留原算法优良特性的前提下，力图有选择、有目的地利用待求问题中的一些特征信息或知识来抑制其优化过程中出现的退化现象，这种算法称为免疫算法(ImmuneAlgorithm)IA。下面将会给出算法的具体步骤，证明其全局收敛性，提出免疫疫苗的选择策略和免疫算子的构造方法，理论分析和对TSP问题的仿真结果表明免疫算法不仅是有效的而且也是可行的，并较好地解决了遗传算法中的退化问题。

Qt/C++飞机大战项目，包含源代码，素材，开发详解，思路解析，适合新手练习使用，支持二次开发，可在源代码的基础上进行更多功能的实现。

*问题描述：一个网格迷宫由n行m列的单元格组成，每个单元格要么是空地（用1表示）， * 要么是障碍物(用0 表示)。找出从起点到终点的最短移动序列，其中U,D,L,R, * 分别代表往上，下，左，右移动到相邻单元格。任何时候都不能在障碍格中， * 也不能走到迷宫之外，起点和终点保证是空地。n,m<=100. * *分析： 可以使用bfs，节点的访问顺序恰好是它们从根节点距离从小到大的顺序。类 * 似的，也可以用bfs来按照起点的距离顺序遍历迷宫图。不断沿着父亲指针走， * 保存方向序列dir，最后反向输出。 * 比深度优化的效率要高很多，因为每次都定义了活结点还有下一个扩展节点， * 在活结点当中去寻找扩展节点，不会盲目的搜索到底，而是有一定的选择性。 * 因此我们可以定义记录扩展节点的数组，并且定义函数来判断，看下一层将要 * 被搜索的节点是不是能够作为扩展节点。这就运用到了分支限界的知识。 *

一个关于如何计算出给定4个数得到24点的算法，在代码中我给了详细的注释，没用的什么复杂的算法和数据结构，尤其适合那些看不懂网上其他人代码的人，还有那些基础不好的同学，超简单，但是功能还算可以，基本上把每种可能都包含进去了

对主成分分析（PCA）的C++代码实现，里面有对PCA实现步骤的详细讲解，并把自己写的PCA代码与Opencv自带的PCA函数的运行结果进行了对比。