用于检验时间序列的突变点，返回突变发生时的时间

模拟电路的元件参数很多，而且设计时需要兼顾多个性能要求，导致计算调整困难。针对此问题，提出一种以遗传算法为基础的参数自动设计方法。首先，以性能达标程度的加权和作为适应度评价函数，为不同结构、不同性能要求的模拟电路建立了形式较为统一的数学评价模型；其次，采用子代竞争择优、精英超突变等策略改进遗传算法，提高了算法的收敛速度和局部搜索能力，并对遗传算法求出的元件参数做了可行化处理，使其满足实际制作的需要；最后，利用该方法设计制作中心频率为115 MHz的电压控制振荡器，验证方法有效性。

使用 1DCNN 和 MRS 数据对胶质瘤进行 IDH 和 TERTp 突变分类。

Personalized Medicine: Redefining Cancer Treatment Dataset 是一个对癌症肿瘤基因突变解释的数据集，其包含用于训练的基因突变描述文件和对基因突变进行分类的临床证据。 该数据集由 Kaggle 于 2018 年发布，相关数据均来自于 2017 年至 2018 年的 NIPS 2017 Competition。

时间序列异常点及突变点的检测算法.docx

16非平稳时间序列突变检测的启发式瓜分算法(bg算法)matlab源代码[最新].doc

mutpy：MutPy是用于Python 3.x源代码的突变测试工具

Seyyed等人于2019年提出了一种全新的优化算法——贫富优化算法(Poor and rich optimization algorithm, PRO)。这一算法的设计灵感来自于穷人和富人为通过不断增长财富而改善经济状况这一人类社会现象。 PRO算法通常将一个社会群体中可以分为两类，第一类是富人，他们的财富水平高于平均水平。第二类是财富水平低于平均水平的穷人。这两个群体的每一个成员都试图以不同的方式改善他们的经济状况，这些方式具有很大的多样性。

编写粒子群优化研究工具箱是为了协助论文研究，以对抗粒子群优化 (PSO) 的过早收敛问题。 控制面板提供了足够的灵活性以适应各种研究方向； 在指定您的意图之后，工具箱将自动执行多项任务，以腾出时间进行概念设计。 示例特征 +从Gbest PSO，Lbest PSO，RegPSO，GCPSO，MPSO，OPSO，全局最佳的柯西突变以及混合组合中进行选择。 + 基准套件包括 Ackley、Griewangk、Quadric、noise Quartic、Rastrigin、Rosenbrock、Schaffer's f6、Schwefel、Sphere 和 Weighted Sphere。 + 每个试验使用自己的伪随机数序列来确保数据的可重复性和唯一性。 + 选择最大数量的函数评估或迭代。 如果达到成功阈值或检测到过早收敛，则提前终止。 + 选择静态或线性变化的惯性权重。 + 激活

非平稳时间序列突变检测 -- Bernaola Galvan分割算法。参考文献《非线性时间序列的动力结构突变检测的研究》，试采用BG算法那描述的动力学分割算法对 时间序列进行动力结构突变检测研究。根据文档和网络的代码调试得到的源代码。