matlab最短路径算法代码飞机控制器 基于MATLAB的飞机控制器和防撞系统。 假设-2D飞机和飞机是点对象。 算法-具有避免碰撞系统的最短路径贪婪算法。 Ankit Mishra，Nikhilesh Behera的项目 Nimit Singhania的框架代码贡献者

2.1 分治策略的基本思想 2.1.1 分治算法的一般性描述 2.2 分治算法的分析 2.3 改进分治算法的途径(不做要求) 2.3.1 通过代数变换减少子问题个数 2.3.2 利用预处理减少递归内部的计算量 2.4 典型实例 2.4.1 求最大最小元 2.4.2 排序问题 2.4.3 选择问题

这个代码是利用快速排序算法，求第K大的数。 快速排序由C. A. R. Hoare在1960年提出。它的基本思想是：通过一趟排序将要排序的数据分割成独立的两部分，其中一部分的所有数据都比另外一部分的所有数据都要小，然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以递归进行，以此达到整个数据变成有序序列。

经典降维算法局部保持投影LPP算法的matlab代码，希望对需要降维算法的童鞋有所帮助

该代码实现了 Chen 等人中给出的算法。 al 1991。它需要用户的最大容忍度。它从总 M 个回归量中选择 Ms 显着回归量。 不幸的是，训练 RBF 网络后获得的错误并不如预期。 我的代码有错误吗？？？ 请随时修改此代码并将您的建议邮寄给 anshuman0387[at]yahoo[dot]com。 在这方面的任何帮助将不胜感激

matlab 反向传播算法代码 MachineLearning-DeepLearning-NLP-LeetCode-StatisticalLearningMethod 最近在学习机器学习，深度学习，自然语言处理，统计学习方法等知识，所以决定自己将学习的相关算法用Python实现一遍，并结合GitHub上相关大牛的代码进行改进，本项目会不断的更新相关算法，欢迎star，fork和关注。 主要包括： 1.吴恩达Andrew Ng老师的机器学习课程个人笔记 Python实现， 2.deeplearning.ai（吴恩达老师的深度学习课程笔记及资源） Python实现， 3.李航《统计学习方法》 Python代码实现， 4.牛津大学xDeepMind 自然语言处理 Python代码实现， 5.LeetCode刷题，题析，分析心得笔记 Java和Python代码实现， 6.TensorFlow人工智能实践代码笔记 北京大学曹健老师课程和TensorFlow：实战Google深度学习框架（第二版） Python代码实现， 附带一些个人心得和笔记。GitHub上有很多机器学习课程的代码资源，我也准备

em算法代码matlab实现期望最大化 Matlab中的期望最大化（EM）算法 此代码实现了Expectation-Maximization（EM）算法，并在简单的2D数据集上对其进行了测试。 期望最大化（EM）算法是一种迭代方法，用于在统计模型中依赖于未观察到的潜在变量的情况下，找到参数的最大似然或最大后验（MAP）估计。 EM迭代在执行期望（E）步骤和创建最大化（M）步骤之间进行交互，该期望步骤用于创建使用参数的当前估计值评估的对数似然性的期望函数，该步骤用于计算使期望对数最大化的参数。在E步上找到的可能性。 然后，这些参数估计值将用于确定下一个E步骤中潜在变量的分布。 例子 在此示例中，我们首先从两个正态分布生成点的数据集，并标记该数据集。 带有正确标签的数据集是我们的真实值。 然后，我们重新组合标签并为新数据集运行EM算法。 EM算法正确地对数据集进行聚类，并且还估计了可用于绘制点的两个正态分布的参数。 结果 我在计算机上得到的结果如下： iteration: 1, error: 1.7244, mu1: [1.2662 1.7053], mu2: [3.6623 3.0902

背包问题PSO（粒子群算法，Particle Swarm Optimization）基本算法代码，仅供参考

一种元启发式优化算法，模拟座头鲸狩猎行为的元启发式优化算法。目前的工作与其他群优化算法相比的主要区别在于，采用随机或最佳搜索代理来模拟捕猎行为，并使用螺旋来模拟座头鲸的泡泡网攻击机制。该算法具有机制简单、参数少、寻优能力强等优点，在经济调度、最优控制、光伏系统、图像分割等方面得到广泛的应用。

matlab贪婪算法代码使用强化学习进行内容缓存 众所周知，无线移动终端网络中的最佳数据分配问题即使对于少量的文件和终端（NP-Hard）也是难以解决的。 该存储库包含在 IEEE Xplore: Distributed Caching based on Decentralized Learning Automata 中发表的工作代码。 问题 简单地说，文件放置问题或“缓存问题”出现在我们想要在每个位置最多 C 个对象的 H 位置中找到 F 个对象的最佳放置时。 最优指的是最小化某种成本函数的分配，在这种情况下是网络中的延迟。 尝试所有可能的对象组合和排列（“蛮力”或“穷举搜索”方法）对于少量对象很快变得不可行。 解决方案 有很多方法可以解决缓存问题的次优解决方案。 我们提出了一个受到独立玩家游戏（学习自动机）的启发，他们采取行动并感知彼此的选择，以了解他们的策略是否好。 由于不需要对玩家的选择进行评分的中心化实体，因此这种方法具有高度的可扩展性。 在模拟的嘈杂环境下，我们的算法接近贪婪策略的性能，其中每个玩家都最小化他们的成本函数。 我们提出了一种离散广义追踪算法（DGPA 贡献 基