更新新闻！！！ iLearnPlus - iFeature和iLearn的更新版本现已发布！ （2021-02-28） iLearnPlus是第一个同时具有基于图形和基于Web的用户界面的机器学习平台，该平台可以构建自动机器学习管道，以使用核酸和蛋白质序列进行计算分析和预测。 iLearnPlus集成了21种机器学习算法（包括12种常规分类算法，2种整体学习框架和7种深度学习方法）和19种主要序列编码方案（总共147个特征描述符），数量超过了所有当前的Web服务器和独立服务器据我们所知，用于生物序列分析的工具。 此外，生物学家还可以使用iLearnPlus友好的GUI（图形用户界面）来顺利进行分析，与现有管道相比，显着提高了有效性和用户体验。 iLearnPlus是一个用于学术目的的开源平台，可从。 可从在线访问iLearnPlus-Basic模块。 iLearnPlus-基本模块界面：

通用组合 该软件包的目的是将不同的在线投资组合选择算法放在一起，并为它们的分析提供统一的工具。 如果您不知道什么是在线投资组合，请查看， 或最近的一项。 简而言之，在线投资组合的目的是选择每个时期的投资组合权重，以最大化其最终财富。 这样的投资组合的例子可以是或。 当前，在线投资组合中有活跃的研究，尽管其结果大部分是理论上的，但实际使用的算法却开始出现。 基于现有文献和我的理解，目前已实现了文献中的几种算法。 非常欢迎您提供文稿或进行更正。 资源 有一个解释了该库的基本用法。 Paul Perry对此进行了跟进，并对较新的ETF数据集上进行了。 另请参阅最新。 关于讨论也很有趣。 一些算法的原始作者最近在github MATLAB中的在线投资组合选择工具箱中发布了自己的实现。 如果您更喜欢R，或者只是在寻找关于Universal Portfolios的良好资源，请查看Marc D

无线信道中由于存在多径衰落，通信系统的可靠性会因此大大降低。增加收发两端的射频链路能够有效地解决这个问题，但射频链增加的同时又会提高成本。为此，提出一种基于发送端的递增改进算法，在不增加射频链路的前提下，完成对天线性能的鉴别,选择出对系统性能贡献最大的天线。仿真结果表明，该算法可有效地提高系统性能，减少系统检测时延。

基于免疫系统中克隆选择原理，提出了一种多目标克隆选择算法MCSA。该方法只对部分当前所得到的Pareto最优解进行进化操作，所求得的Pareto最优解保留在一个不断更新的外部记忆库中，并选用一种简单的多样性保存机制来保证其具有良好的分布特征。实验结果表明,该方法能够很快地收敛到Pareto最优前沿面，同时较好地保持解的多样性和分布的均匀性。对于公认的多目标benchmark问题,MCSA在解集分布的均匀性、多样性与解的精确性及算法收敛速度等方面均优于SPEA、NSGAII等算法。

空间聚类算法中，聚类的效果在很大程度上受制于最佳[k]值的选择。典型的[K]-均值算法中，聚类数[k]需要事先确定，但在实际情况中[k]的取值很难确定。针对手肘法在确定[k]值的过程中存在的“肘点”位置不明确问题，基于指数函数性质、权重调节、偏执项和手肘法基本思想，提出了一种改进的[k]值选择算法ET-SSE算法。通过多个UCI数据集和[K]-means聚类算法对该算法进行实验，结果表明，使用该[k]值选择算法相比于手肘法能更加快速且准确地确定[k]值。

基于CSP的多类运动想象脑电特征自动选择算法

基于python的路由选择算法源码实现

人工免疫克隆选择算法是一种比较新型的智能算法，其基本算法结构与遗传算法是类似的，以下源码是为网络节点分组调度问题而设计的算法。

这是一个用VC写的求解TSP问题的免疫克隆选择算法，此算法是完整的，在VC下编译后即可运行。

分级路由