最短路径问题可以通过许多方法解决。 启发式方法以降低准确性为代价提供了较低的复杂性。 在许多用例中，可以接受较低的精度以换取较低的计算资源消耗。 学习自动机（LA）是自适应机制，需要来自执行环境的反馈才能收敛到某些状态。 在网络路由的上下文中，位于路径中间节点的LA利用来自目标节点的反馈来减少例如路径的长度。 根据拓扑的资源（如节点和边号），必须使用适当的迭代次数。 迭代次数越多，路径最优的可能性就越高，但是会消耗更多的计算资源。 开发在https://github.com/zfoxer/LaPath进行

AC自动机算法（Aho-Corasick 多模式匹配算法）C#实现

提出基于最优分类标准的核学习方法,这个标准类似于线性鉴别分析和核Fisher判别式。并把此算法应用于模糊支持向量机多类分类器设计上,在ORL人脸数据集和Iris数据集上的实验验证了该算法的可行性

二叉树支持向量机分类算法主要是构造一个偏二叉树或是构造一颗完全二叉树，但是偏二叉树分类的准确性虽高而分类的效率低，完全二叉树分类的效率高但是准确性不高。本文提出一种算法，结合了以上两种二叉树构造方法的优点，并且更能反映样本的真实分布。实验结果表明，新算法具有较高的推广性能。

SVM支持向量机算法的详细推导(详细到每个步骤_值得推荐)

光伏发电功率受自然环境影响具有明显的波动性、间歇性与随机性，对光伏发电进行短期功率的概率预测可以有效缓解给电网调度、能量管理等方面带来的诸多不利影响。提出一种基于改进深度受限玻尔兹曼机(RBM)算法的光伏发电短期功率概率预测模型，通过灰色关联系数法寻找待预测日的相似日，并利用遗传算法对RBM算法进行参数优化，避免模型参数寻优陷入局部最优，以提高预测模型的预测精度。仿真算例表明，所提模型可以更好地反映光伏发电功率的概率分布。

该程序的状态集只能为数字。字母元素输入时，每输入一个字母必须回车！若不回车程序只能接受第一个字母。若某一状态函数不存在，则该状态函数等于他本身！ 由于本人刚开始学习C/C++，能力有限。里面的不足之处我大家批评指正。谢谢！

基于SVM支持向量机算法的降水量预测模型代码_SVM_SVM预测_blues1l_基于SVM支持向量机对降水量的预测_降水、_源码.zip

对于FM（因子分级机）论文进行全文手工翻译，包括图片和脚注内容

感知机（perceptron）是线性分类的二分类模型，感知机算法使用Python实现含数据集，输出的是测试集的类别