离散控制Matlab代码马可夫决策过程 马尔可夫决策过程（MDP）是离散的时间随机控制过程。 它提供了一个数学框架，用于在结果部分随机且部分受决策者控制的情况下对决策建模。 MDP对于研究通过动态编程和强化学习解决的优化问题非常有用。 MDP至少早在1950年代就已为人所知;罗纳德·霍华德（Ronald Howard）于1960年出版的《动态编程和马尔可夫过程》是马尔可夫决策过程研究的核心内容，它们被用于许多领域，包括机器人技术，自动控制，经济学和制造业。 MDP的名称来自俄罗斯数学家Andrey Markov。 。 算法： 值迭代（Bellman 1957）：也称为反向归纳，不使用π函数； 而是在需要时在V（s）内计算π（s）的值。 将π（s）的计算代入V（s）的计算可得出组合步骤。 在下面查看有关如何计算效用的示例（有关更多详细信息，请参见-中的代码）算法： 策略迭代：在策略迭代中（霍华德1960），第一步执行一次，然后重复第二步直到收敛。 然后，再次执行第一步，依此类推。 对于大量可能的状态，策略迭代通常比值迭代慢。 算法 ： 注意：在此代码中，我们将不处理该算法（我们将在稍后发

幻方，有时又称魔方（该称呼现一般指立方体的魔术方块）或纵横图，由一组排放在正方形中的整数组成，其每行、每列以及两条对角线上的数之和均相等。通常幻方由从1到N2的连续整数组成，其中N为正方形的行或列的数目。因此N阶幻方有N行N列，并且所填充的数为从1到N2。 里面有java的程序示例

智能优化算法：其中包含遗传算法、蚁群算法、模拟退火算法、差分进化算法等以及一些代码

这几天把EM算法(Expectation Maxinum)反复琢磨了几遍，经过几次讨论，对EM算法的数学模型有了比较深入的理解。考虑到： 1. 这个算法在Machine Learning中极其重要，也是进行Machine Learning深入研究的一个重要阶梯 2. 这个算法确实需要一定的概率和数学基础 3. 中文或翻译的教材似乎没有很好的解释清楚这个算法 于是我根据Pattern Recogition and Machine Learning一书相关章节的内容，结合自己的理解，写了一套中文的EM算法介绍和分析。又混合高斯模型开始，由浅入深，逐步讲解了EM算法在混合高斯模型应用和一般化描述。自己感觉还是比较容易理解的。 如果发现pdf中有什么问题，或有什么错误，请直接与我联系，欢迎讨论。 要下载最新的版本请到http://glatteis.spaces.live.com

层次聚类：层次聚类 划分聚类法：Kmeans算法 基于密度的聚类：DBSCAN的概念

（2）矩阵换位法 把明文中的字母按给定的顺序安排在一矩阵中，然后用另一种顺序选出矩阵的字母来产生密文。

金蝶HR产品培训—系统内置公式函数算法介绍.zip

资料将目前常见/所有的深度学习优化器算法进行汇总描述，并从宏观上对所有算法进行对比分析。可为对优化器的全面了解提供辅助作用，对优化器的选用也有辅助作用。

VRP算法分类 扫描算法(1974) k-opt算法 -interchange算法 蚁群算法 (1991,2003) 两阶段算法(1979) 粒子群算法 (1995) Constructive heuristics gradually builds a feasible solution while keeping an eye on solution cost, but do not contain an improvement phase per se. (Laporte and Semet[2002]). 精确算法 启发式算法 分枝界定法 割平面法 网络流算法 动态规划法 构造启发式算法 改进启发式算法 亚启发式算法 最邻近法(1977) 最近插入法(1976) 禁忌搜索法 (1986,1991) C-W节约法(1964) 遗传算法 (1975,1996) 神经网络算法 (1943,2000) 模拟退火法 (1953,1993)

λ-interchange算法