基于粒子群算法优化深度置信网络(PSO-DBN)的数据回归预测，优化参数为隐藏层节点数目，反向迭代次数，反向学习率，利用交叉验证抑制过拟合问题，matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于麻雀算法优化深度置信网络(SSA-DBN)的数据回归预测，优化参数为隐藏层节点数目，反向迭代次数，反向学习率，利用交叉验证抑制过拟合问题，matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

动态规划算法求解TSP 用动态规划算法求解TSP，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。动态规划算法求解TSP 用动态规划算法求解TSP，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。动态规划算法求解TSP 用动态规划算法求解TSP，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。动态规划算法求解TSP 用动态规划算法求解TSP，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。动态规划算法求解TSP 用动态规划算法求解TSP，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下

用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平均值，并与Gurobi求解结果比较各计算时间下的目标值。用ACO解决TSP问题，数据为Solomon数据集的c101文件读取，可视化路径图，用图展示每次迭代的最优值、最差值和平

基于迭代学习控制的快速路交通控制现状与展望，孙何青，侯忠生，本文系统论述了基于迭代学习控制(ILC)的快速路交通控制的发展和研究现状。综述了从基于传统ILC的快速路交通控制方法到基于学习增强�

在Von-Mises屈服准则及正交流动准则的前提下，建立了循环载荷下叠加型A-F(Armstrong-Frederick)非线性随动强化模型的迭代算法，并根据塑性应变增量的收敛控制实现内部的平衡迭代。为验证本文数值方法的正确性，以Chaboche和Ohno-Abde-Karim随动硬化模型为例，将本文方法的计算结果与通用有限元软件ANSYS的分析结果及试验数据进行了比较，均吻合良好，验证了本文算法的可靠性。

MITObim - 线粒体诱饵和迭代映射 版本 1.9.1（稳定 - 依赖于 MIRA 4.0.2）这个版本存档在 Zenodo 上： 1.6（稳定 - 依赖于 MIRA 3.4.1.1） 我们建议使用最新版本，但请参阅下面有关校对算法可用性的说明。 版权所有 Christoph Hahn 2012-2018 接触 我们鼓励用户将您对MITObim的任何疑问/意见/问题发布到我们的网上或。 或（在紧急情况下） 直接通过联系我。 我会尽量尽快回复你！ 如果几天之内没有收到我的回音，请再发送一次提醒！ 介绍 本文档包含有关如何使用 Hahn 等人中描述的 MITObim 管道的说明。 2013 年。完整的文章可以在找到。 如果您在工作中使用 MITObim，请引用这篇文章。 该管道最初是为Illumina数据开发的，但由于 MIRA 组装器的多功能性，MITObim 原则上也支持

本文考虑了连续时间马尔可夫决策过程中平均报酬的方差优化问题。 假设状态空间是可计数的，而动作空间是Borel可测量的空间。 本文的主要目的是在确定性平稳策略空间中找到方差最小的策略。 与传统的马尔可夫决策过程不同，方差准则中的成本函数将受到未来行动的影响。 为此，我们通过引入称为伪方差的概念将方差最小化问题转换为标准（MDP）。 通过给出伪方差优化问题的策略迭代算法，推导了原始方差优化问题的最优策略，并给出了方差最优策略的充分条件。 最后，我们用一个例子来说明本文的结论。

基于迭代局域搜索的智能优化算法求解车辆调度问题研究.pdf

大型稀疏线性方程组的迭代数值解法的英文教材