针对图像聚类问题,提出了一种基于图像空间关系的聚类方法,采用场模型描述图像之间的空间关系,利用K-近邻思想构建图像邻域系统,聚类过程中无需手动标记特征表示的图像类别信息,只需要给定初始类别数,通过条件迭代算法(ICM)对图像进行聚类。该文通过实验分析了图像样本大小、图像特征维数、图像特征类型、初始类别标签对聚类结果的影响,通过与多种经典聚类算法进行对比,实验结果充分验证了该方法的有效性。

多模态图像配准的特征邻域互信息.pdf

简便的KNN分类算法，可以处理有监督数据的分类问题，运用的是邻域粗糙集的基本概念，有兴趣的可以在本程序上再加以改进，比如加权，多粒度等等的方法。

预算matlab代码快速NCA 该算法在Python中的快速实现。 某些选择背后的思想在硕士论文中得到了进一步扩展。 特征： 类似于Sklearn的API 与目标函数相同的梯度成本 当度量标准规模较大时，避免溢出 WIP迷你批次版本 例子 来自Python的样本用法： from nca import NCA n = NCA () n . fit ( X , y ) X = n . transform ( X ) 例如，运行脚本。 除其他外，脚本接受模型和数据集的类型： python example.py --model nca --data wine 有关可用选项的完整说明，只需调用帮助提示： python example.py -h 安装 该代码取决于通常的Python科学环境：NumPy，SciPy，Scikit-learn。 所需的软件包在requirements.txt文件中列出，可以按如下所示安装在虚拟环境中： virtualenv -p python3 venv source venv/bin/activate pip install -r requirements.txt

完整代码，可直接运行

堆场出口箱区通常通过集装箱的预倒箱操作来提高后续装船作业的效率. 为此, 开发了由邻域搜索算法与整数规划算法组成的两阶段混合算法对预倒箱问题进行优化, 第1 阶段通过启发式规则压缩末终堆存状态空间, 第2 阶段通过整数规划算法缩短第1 阶段得到的预倒箱序列的长度. 两个阶段循环交替进行以快速求得最优的预倒箱序列. 借助不同种类仿真算例的实验结果及与现有研究方法下所得结果的对比, 验证了混合优化算法的有效性和实用性.

多车场带时间窗车辆路径问题的变邻域搜索算法.pdf

基于粒子群优化和变邻域搜索的混合调度算法.pdf

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.

变邻域搜索求解0-1背包问题（C++代码），很好的学习资源，适合用来学习启发式算法