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

用python实现论文中的亮度调整方法，原参考网址是使用matlab完成的。当然，在python中我没有找到matlab中的高斯滤波的完全替代方法，但是影响不大，效果还是很好的。

详细阐述变邻域搜索算法的文章，很有用处，很详细

胡清华邻域粗糙集代码

提出一种通过种子边缘点提取闭合点云边缘的算法，通过搜索视角控制边缘点云搜索方向，可提取尖锐边缘与相交边缘。算法通过模拟点与点之间拉力的聚集程度来判断一个点是否具有边缘点的特征。首先构建kd-tree以便快速查找点云数据。其次定义点云的邻域半径，通过计算种子点邻域内点的边缘系数来选择新的种子边缘点，并通过搜索视角来控制点云搜索的方向，最终提取闭合的点云边缘。选择不同的种子点与搜索视角可提取不同的边缘。通过实验分析邻域半径和搜索视角对算法边缘提取效果的影响，并采用合适的半径与搜索视角，对尖锐边缘与相交边缘进行点云提取，获得了准确的点云边缘，从而证明了该算法的有效性。

建立散乱点云数据的八邻域，在点云的简化，特征提取中占重要位置。

主要邻里聚集 在PyTorch，DGL和PyTorch Geometric中实现图网的主要邻域聚合 。 概述 我们提供PyTorch，DGL和PyTorch Geometric框架中的主要邻域聚合（PNA）的实现，以及用于生成和运行多任务基准的脚本，用于运行实际基准的脚本，灵活的PyTorch GNN框架以及其他实现用于比较的模型。 该存储库的组织方式如下： models包含： pytorch包含在PyTorch中实现的各种GNN模型： 聚合器，缩放器和PNA层（ pna ）的实现 可以与任何类型的图卷积一起使用的灵活GNN框架（ gnn_framework.py ） 本文中用于比较的其他GNN模型的实现，即GCN，GAT，GIN和MPNN dgl包含通过实现的PNA模型：聚合器，缩放器和层。 pytorch_geometric包含通过实现的PNA模型：聚合器，缩放器和图层。