实验任务及内容 基于MFC实现以下功能： 1.分别用中点画线算法、DDA画线算法、Bresenham画线算法绘制直线； 2.使用中点画圆算法绘制圆； 3.使用中点画椭圆算法绘制椭圆； 4.分别使用4邻域内点表示和边界表示法实现区域填充。 编程测试环境 Visual Studio 2019 PDF文档中包括对三种画线方法、中点画圆、中点画椭圆、两种区域填充程序的预期功能、设计思路详细分析及运行结果展示

灰狼算法(GWO)优化极限学习机ELM回归预测,GWO-ELM回归预测，多变量输入模型。 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。

matlab巴特沃斯代码用于 Arduino 部署的呼吸检测和 RR 计算算法 在这个 repo 中可以找到两个主要的实现类别： 基于阈值 将信号与其平均值进行比较并检测交叉点（通过某种过滤技术获得平均值） 过滤器包括 SMA（棚车）、FIR 巴特沃斯、IIR /SMA/ /Filters/ 基于梯度 当梯度从 + 变为 - 时检测峰。 /Grad/ 还可以找到一些过滤器。 #This Repo 还包含一个 GUI 应用程序（Matlab AppDesigner），用于监控和绘制 RR。 允许通过 BT 或 USB 连接。 此代码适用于配备 16x2 LCD 的 Atmega 168/328。

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。

针对目前基于种子节点选择的社区发现算法在准确性和复杂度等方面存在的不足, 提出了一种基于Node2Vec的重叠社区发现算法. 首先, 使用Node2Vec算法学习到网络中每个节点的向量表示, 用以计算节点间的相似度, 其次, 利用节点影响力函数计算节点影响力并找出种子节点, 然后基于每个种子节点进行社区的扩展优化, 最终挖掘出高质量的重叠社区结构. 本文选取多个真实网络进行了对比实验, 结果表明, 本文所提出的算法能够在保证良好稳定性的前提下发现高质量的社区结构.

给初学学习智能优化算法提供一个学习平台，里面有ppt还有部分程序。

京东m端抢券log算法.js js 代码，node python 易语言等等内容啊，有需要的自己拿哇哇哇哇

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

研究生课程 最优化理论与算法 （第二版）课本