QAOA_Weighted_Maxcut 目录 基本信息 量子近似优化算法（QAOA）是用于解决组合优化问题的量子算法。 Maxcut是组合优化问题的一个示例。 MaxCut问题-给定一个图，找到一种将其分为两组的方法，以使两组之间的边缘具有最大的权重。 通过对较小的更改，此代码是加权maxcut问题的通用解决方案 技术领域 使用以下项目创建项目： python版本：3.7.4 cirq版本：0.9.1 networkx版本：2.4 scipy版本：1.5.2 numpy版本：1.19.5 matplotlib版本：3.3.2

附合导线近似平差，输入4个已知点坐标，再分部输入边长和方位角，也可以通过文件形式进行读入，再进行处理

该资源为试用版代码~ 一行代码快速实现特征提取！ 理论讲解：https://blog.csdn.net/fengzhuqiaoqiu/article/details/124979190?spm=1001.2014.3001.5501 function fea = genFeatureEn(data,featureNamesCell,options) % 特征提取函数 % 输入： % data：待特征提取的时域信号，可以是二维数据，行列方向不可出错 % options：其他设置，使用结构体的方式导入。 % featureNamesCell：拟进行特征提取的特征名称，该变量为cell类型，其中包含的特征名称为字符串，特征名称需要在下边列表中： % 目前支持的特征（2022.7.10，共8种）： % psdE：功率谱熵 % svdpE：奇异谱熵 % eE：能量熵 % ApEn：近似熵 % SampleEn：样本熵 % FuzzyEn：模糊熵 % PerEn：排列熵

高斯过程回归是基于贝叶斯理论和统计学习理论发展起来的一种全新机器学习方法, 适于处理高维数、小
样本和非线性等复杂回归问题. 在阐述该方法原理的基础上, 分析了其存在的计算量大、噪声必须服从高斯分布等
问题, 给出了改进方法. 与神经网络和支持向量机相比, 该方法具有容易实现、超参数自适应获取以及输出具有概率
意义等优点, 方便与预测控制、自适应控制、贝叶斯滤波等相结合. 最后总结了其应用情况并展望了未来发展方向.

均布荷载作用下的矩形截面简支梁挠度近似计算公式的误差分析，李甲，张琳玲，均布荷载作用下矩形截面简支梁的挠度计算，实际工程中多采用近似公式，而不是理论公式。通过实际算例，分析了近似公式与理论公式

在matlab下对冈萨雷斯课本中的MPP算法进行近似做了简单实现 适合对课程内容的直观理解

java交易网站源码Hnswlib - 快速近似最近邻搜索 带有 python 绑定的仅标头 C++ HNSW 实现。 HNSW 200M SIFT 实验的论文代码 消息： hnswlib 现在是 0.5.0。 添加了对酸洗索引的支持、对 PEP-517 和 PEP-518 构建的支持、小加速、错误和文档修复。 非常感谢 , , ,, , , , ! 感谢 Apoorv Sharma ，hnswlib 现在支持真正的元素更新（界面保持不变，但是当您更新元素嵌入时，性能/内存不应该降低）。 多亏了 Dmitry ，hnswlib 提高了不是 4 的倍数的向量维度的性能 感谢 Louis Abraham() 现在可以通过 pip 安装 hnswlib！ 强调： 轻量级，仅头文件，除 C++ 11 之外没有其他依赖项。 C++、python 和 R() 的接口。 完全支持增量索引构建。 支持元素删除（目前，没有实际释放内存）。 可以使用自定义用户定义的距离 (C++)。 与当前 nmslib 的实现相比，显着减少了内存占用和更快的构建时间。 算法参数的描述可以在 中找到。 Python 绑定

样本熵、近似熵、lempel-ziv函数代码。lempel-ziv复杂度是一种表征时间序列里出现新模式的速率的方法

读取声信号，计算自相关，近似熵，lzc复杂度

Christofides算法 因子为 1.5 的欧拉游走近似方法 图上的欧拉游走是将图的每条边都包含一次的游走。 我们的下一个算法取决于图论中的以下基本定理：连通图 G 的每个顶点都有偶数度，当当 G 有欧拉游走。 顺便说一句，很容易看出欧拉游走只有在图的所有节点都具有偶数度的情况下才能存在：每次游走通过一个节点时，它必须使用两条边（一条进入节点，一条离开）。 在步行中没有边被遍历两次，所以如果一个节点被访问了 c 次，它必须有度 2c，一个偶数。 ##使用欧拉游走定理，我们可以得到一个因子 1.5 的近似值。 这种方法称为 Christofides 算法： 求给定图 G 的 MST。 识别 MST 中的所有奇度节点 图论中的另一个基本定理说，图中奇数节点的数量是偶数。 很容易理解为什么会这样：图中所有节点的度数之和是图中边数的两倍，因为每条边都将其连接的两个节点的度数都增加了 1