matlab蚁群算法代码基于蚁群算法的三臂凿岩机器人动态Kong序规划 基于蚁群算法的三臂隧道掘进机器人动态序列规划 matlab 版本：2016a 主函数：GuiTest.m 这是我的硕士研究生关于蚁群算法的三臂隧道掘进机器人动态序列规划的代码，以及我设计了一个用于规划的 GUI。 由于项目暂停，我没有将这个 GUI 应用到真正的三臂隧道钻探机器人。 差不多一年过去了，那个项目已经完成，而我也快一年毕业了。 该程序包含三个用于规划的经典隧道，您也可以设计自己的隧道。 您需要注意的是您应该注意matlab的版本，我只是尝试使用2019a版本，毫无疑问我遇到了错误。 因此，如果您遇到错误，请尝试 matlab 2016a 公路隧道（公路隧道）： 马蹄形隧道（马蹄形隧道）： 水隧道（排水隧道）：

matlab蚁群算法代码用于图像对比度增强的混合蚁群优化、遗传算法和模拟退火 可以在此 repo 中找到使用自然启发方法增强灰度图像对比度的 MATLAB 代码。 受自然启发的方法是蚁群优化、遗传算法和模拟退火，它们生成全局传递函数将输入图像转换为更高对比度的图像，同时尽量保持图像的自然外观。 描述 图像增强器方法的详细信息发表在我们的论文中：DSP（或）和 CEC（或）。 该方法的工作原理是在搜索空间中放置一些人工代理（又名人工蚂蚁）以生成一个传递函数，该函数可用于将任何图像转换为更高对比度的图像。 蚂蚁从传递函数的原点（左下角）开始，然后移动到它的右上角。 任何蚂蚁都会在其可用的移动选项中进行概率选择，如下所示： 到达最后一点后，创建传递函数并评估其适应度。 根据传递函数的好坏，信息素会沉积在蚂蚁走过的路径上。 点上的信息素增加了蚂蚁在下一次迭代中选择在附近经过它的机会。 这是蚂蚁在传递函数窗格上移动一段时间后的信息素痕迹示例。 每只人工蚂蚁在这个过程中都有一个遗传密码。 蚂蚁种群通过遗传算法进化。 这改变了蚂蚁的特征及其在搜索空间中遍历路径的偏好。 选择最佳传递函数后，模拟退火尝

分水岭分割算法的C++代码 是自己课程设计的内容，搞了两个星期，终于弄了出来

SpringCloud-Ribbon负载均衡服务调用及手写Ribbon算法

用于视觉跟踪或分类的一种先进的算法－多变量相关向量机代码（MVRVM），对于做姿态跟踪、手势跟踪等方面的研究有很大帮助。

状态：存档（代码按原样提供，预计不会更新） 多代理深度确定性策略梯度（MADDPG） 这是用于实现论文中提出的MADDPG算法的代码： 。 它被配置为与一起运行。 注意：自原始论文以来，此代码库已进行了重组，结果可能与论文中所报告的有所不同。 更新：可以在找到策略集合和策略估计的原始实现。 该代码按原样提供。 安装 要安装，请cd进入根目录，然后键入pip install -e . 已知依赖项：Python（3.5.4），OpenAI Gym（0.10.5），tensorflow（1.8.0），numpy（1.14.5） 案例研究：多代理粒子环境 我们在这里演示如何将代码与结合使用。 按照README文件的说明下载并安装MPE代码。 确保已将multiagent-particle-envs添加到您的PYTHONPATH （例如， ~/.bashrc或~/.bash_profile

1．完成一个明文分组(8个字节)的加解密，明文和密钥长度都为64比特(8个字节)，输入明文和密钥，输出密文，进行加密后，能够进行正确的解密； 2. 程序运行时，输出每一轮使用的密钥，以及每一轮加密或解密之后的16进制表示的值，并且输出每一轮加密的输出；

代码可用

matlab a算法代码 本仓库是对混合A*算法的matlab复现 算法结果图 如何使用 1.在matlab中直接运行EntryPoint.m文件即可，坐标的航向phi取值范围是[-pi,pi] 注意： 1.本仓库提供两个代码版本，其中without_comments分支是原作者的版本，并且修复了从左边直线行驶轨迹错误的bug(原因是VehicleCollisionCheck出错)。 2.master分支是本人根据源代码进行修改，添加注释方便理解，同时也修改了VechicleCollisionCheck的代码。 文件组织 代码解释可以参考！

matlab中存档算法代码使用多层感知器和支持向量机的信用卡客户默认预测 这是使用多层感知器和支持向量机的信用违约预测的比较研究。 它是伦敦大学城的MSc数据科学的“神经计算”模块的一个单独项目的结果。 该项目的主要目标是解决极端的类别失衡问题（80％的非违约者和20％的违约者）。 使用了两种平衡技术：Adasyn和Borderline Smote。 另外，还测试了使用RELIEF算法进行的特征选择是否会导致模型的更好性能。 在“多层感知器和支持向量机的比较研究”文件夹中，您可以找到用于评估的Matlab代码和报告。 “ Matlab代码”文件夹包含每个受过训练的模型（总共16个）的所有必要文件（使用的数据和功能）。 项目报告将为您提供有关问题，项目过程和结果的总体思路。 建议先阅读报告，然后再查找代码。 该数据集是从UCI机器学习存储库（）中检索的，并已在Python中进行了预处理。 执照：麻省理工学院