WPF自定义控件实例，可以多种不同模式（键盘按键，或不按键）多项选择项目的树列表（TreeView），原作者为和著作权归：Marzio Pattano，原链接地址：http://dotnetlearning.wordpress.com/2010/10/14/multi-selection-tree-view/

在MAS（多agent系统）中，由于任务的复杂性和agent求解问题能力的不同，任务和agent不再是传统的一对一的关系。为解决MAS的任务分配问题，提出了任务与agent之间多对多的任务分配模式。首先建立了任务分配的数学模型，并导出分配优化的目标函数；其次利用混合蚁群算法快速收敛和分布式求解的特点实现任务分配的组合优化。对实验仿真的结果分析表明，多对多的任务分配模式能够明显提升多agent系统的性能。

考虑多级车辆，公共交通和停车场的多模式动态交通分配的一般公式 由马威和Xidong Pi（AlanPi1992）实施，在卡内基梅隆大学土木和环境工程专业的肖恩钱的建议下进行。 要求 cvxopt 1.1.9 numpy的1.14.2 MNMAPI：MNMAPI是MAC在CMU中开发的流量模拟库，请参阅和 MNM_mcnb：MNMAPI的文件夹接口，请参考 指示 请克隆整个存储库，然后使用jupyter notebook运行Runner.ipynb。 实验 要在exp_config.py中检查实验的详细信息，请参阅该论文。 档案规格 src / exp_config.py：论文中的实验设置 src / gp.py：渐变投影方法 src / models.py：多模式DUE的实现 src / runner.ipynb：运行MMDUE的脚本 img / .：本文中使用的想象 data /

开源多模态放射治疗计划系统

多模式互动教学在程序设计课程中的探索与实践.pdf

钻孔柱状图是地质勘探报告中最基本、数量最多的图件，编制钻孔柱状图是地勘单位的基本工作，也是投入地质技术力量最多的工作之一。 早期的柱状图主要由手工绘制而成，所需工作量极大，且制图效果不够理想、无法保证高质量成图，难以实现进一步分析及各部门间的共享。计算机的普及与应用范围的扩大，使各类计算机辅助制图软件和GIS制图软件大量涌现，实现了制图的半自动化，极大提高了地质工作者们的工作效率。但随着地质工作的深入开展，地质调查与矿产勘察工作越来越多，地质数据量也在成倍增长，即使利用辅助制图软件开展工作，仍然难以保证及时、保质、保量地完成大量柱状图的绘制工作。鉴于此，中国地质调查局发展研究中心研制了一套高效全自动绘制钻孔柱状图软件，实现了绘图工作的完全自动化，在保证成图准确性的同时，成倍提高了绘图效率。本软件具有如下特点： 1、适用性广 该软件适合固体矿产勘查钻孔综合柱状图、地质综合柱状图、第四纪钻孔综合柱状图、实测剖面柱状图等柱状图类的制作。 2．通用灵活 虽然都是绘制钻孔柱状图，但是不同单位、不同部门所绘制的柱状图格式不尽相同，内容各异，本软件提供了一个基本的柱状图模版，用户可以根据需要自行定制柱状图的格式及内容，真正做到柱状图的通用、灵活，能适应不同用户的需求。 3．无缝集成 本软件与数字填图系统RGMapGIS无缝集成，可以根据野外采集的地质数据直接、自动生成柱状图，且可供后续在柱状图上做进一步的分析及处理工作。 4．内容丰富 柱状图由图名、图眉、表头、表体组成。表头和表体是柱状图中的核心内容，不仅支持常规的文本、曲线、地质描述、岩石花纹等栏目，还支持图片、照片、刻度尺等栏目，以实现最终成图的多方面需求。 5．强大的拉胡子技术 绘制柱状图过程中，需填内容很多（如地质描述等）、但单元格太小，难以容纳全部内容、影响图件效果的问题非常普遍，本软件采用自动拉胡子技术有效地解决了这一问题。 6．可重用性强 虽然各部门之间的柱状图格式不尽相同，但部门内部的柱状图格式基本相同，所以各部门仅需定制一次格式并保存为模版，即可重复利用。

结合当前检索海量空间信息效率低下问题，提出了一种MMSEG中文分词与Xapian全文检索引擎相结合的空间数据组织与检索方法，基于该方法设计并实现了POI数据组织与检索模型；并通过真实地理空间POI数据验证了模型的合理性及检索效率。

车路协同的多模式交通流控制与诱导

用matlab生成谐波代码 CoMIR：合作ntrastive中号ultimodal我法师[R epresentation为注册框架 :framed_picture: 通过深度学习以不同的方式配准图像配准 :robot: ，，，，，和 NeurIPS 2020论文代码： 目录 介绍 是在同一坐标系中对齐多个图像的过程。 与使用每个单独的图像相比，这对于提取更多信息很有用。 我们执行严格的多峰图像配准，即使每个图像中的信息完全不同，我们也可以成功对齐来自不同显微镜的图像。 以下是来自两个不同显微镜（亮场和二次谐波产生）的三个图像配准： 该存储库使您可以访问执行以下操作所需的代码： 训练一个神经网络，以在一个公共的潜在空间中转换图像。 注册在公共潜在空间中转换的图像。 它是如何工作的？ 我们结合了最先进的人工神经网络（），将输入图像转换为潜在空间表示，并为CoMIR洗礼。 CoMIR经过精心设计，可以借助经典的注册方法进行调整。 下图描述了我们的管道： 论文的主要发现 :chart_decreasing: 可以在训练过程中使用对比学习并整合等方差约束。 :framed_picture: 使用经典配准方法可以成功地对CoMIR进行对齐。 :cyclone: CoMIR是旋转等变量（）。 :robot: 使用GAN生成跨模态

AC自动机算法（Aho-Corasick 多模式匹配算法）C#实现