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

利用MATLAB GUI设计平台，设计多算法雷达一维恒虚警检测CFAR可视化界面，通过选择噪声类型、目标类型、算法类型，手动输入相关参数，可视化显示噪声波形与目标检测的回波-检测门限波形图。运行cfar.m即可调用GUI进行参数输入输出。 恒虚警检测技术（CFAR）是指雷达系统在保持虚警概率恒定条件下对接收机输出的信号与噪声作判别以确定目标信号是否存在的技术。 前提：由于接收机输出端中肯定存有噪声(包括大气噪声、人为噪声、内部噪声和杂波等)，而信号一般是叠加在噪声上的。这就需要在接收机输出的噪声或信号加噪声条件下，采用检测技术判别是否有目标信号。 误差概率：任何形式的判决必然存在着两种误差概率：发现概率和虚警概率。当接收机输出端存在目标回波信号，而判决时判为有目标的概率为Pd，判为无目标的概率为1-Pad。当接收机输出端只有噪声时，而判为有目标的概率为Pfa。由于噪声是随机变量，其特征可用概率密度函数表示，因此信号加噪声也是一随机变量 具体过程：恒虚警检测器首先对输入的噪声进行处理后确定一个门限，将此门限与输入端信号相比，如输入端信号超过了此

BERT+BiLSTM+CRF是一种用于命名实体识别（Named Entity Recognition, NER）的深度学习模型。其中，BERT（Bidirectional Encoder Representations from Transformers）是一种预训练的语言模型，用于捕捉上下文信息；BiLSTM（双向长短时记忆网络）用于处理序列数据；CRF（条件随机场）用于解决标签偏置问题，提高模型的预测准确性。 在训练过程中，需要将输入数据转换为适当的格式，并使用适当的损失函数和优化器进行训练。在推理阶段，可以使用训练好的模型对新的文本进行命名实体识别。

在传统声压传感器阵列的求根MUSIC算法的基础上,提出了基于矢量传感器阵列的求根MUSIC算法及其修正形式,通过接收阵列信号的空间谱,选择合适的引导方位,可实现声源的波达方向(DOA)估计。理论推导和仿真实验表明,采用均匀矢量传感器线性阵列的求根MUSIC算法在低信噪比、小快拍数情况下的估计性能要优于传统声压传感器阵列的求根MUSIC算法,同时该算法的计算量远远小于矢量传感器列的MUSIC算法。

动态规划在预知未来一段时间的路况后，通过全局遍历计算得出一条能量损耗最小的增程器发电路径。DP算法得到的结果可以视为该HEV在该工况下的终极燃油经济性性能，任何其他实时控制策略理论上都不可能取得比这更好的经济性结果，因此，这该结果可以作为评价实时控制策略的准绳。

针对城市中停车位狭小、现有自动泊车方法缺乏连贯性的问题, 提出一种自动平行泊车算法。对现有的五阶多项式路径规划方法加以改进, 并有针对性地设计罚函数, 采用遗传算法计算最佳泊车路径和最小泊车空间, 实现自动平行泊车。仿真结果表明, 该算法能快速有效地完成泊车, 车辆损伤小, 对空间的要求最低。

将RSA算法移植到stm32F103上，占用内存空间比较大，项目还是慎重考虑吧，公钥解密128字节时间大概60ms，私钥没测，但时间肯定更长