自适应滤波中基于matlab的最小均方原则算法。此算法具有最好的性能和最小的存储空间等优点

粒子群 模拟退火 蚁群算法MATLAB实现，采用了TSP数据进行实验。

进程调度算法的实现计算机操作系统课程设计

LM算法，全称为Levenberg-Marquard算法，它可用于解决非线性最小二乘问题，多用于曲线拟合等场合。 LM算法的实现并不算难，它的关键是用模型函数 f 对待估参数向量 p 在其邻域内做线性近似，忽略掉二阶以上的导数项，从而转化为线性最小二乘问题，它具有收敛速度快等优点。LM算法属于一种“信赖域法”——所谓的信赖域法，此处稍微解释一下：在最优化算法中，都是要求一个函数的极小值，每一步迭代中，都要求目标函数值是下降的，而信赖域法，顾名思义，就是从初始点开始，先假设一个可以信赖的最大位移 s ，然后在以当前点为中心，以 s 为半径的区域内，通过寻找目标函数的一个近似函数（二次的）的最优点，来求解得到真正的位移。在得到了位移之后，再计算目标函数值，如果其使目标函数值的下降满足了一定条件，那么就说明这个位移是可靠的，则继续按此规则迭代计算下去；如果其不能使目标函数值的下降满足一定的条件，则应减小信赖域的范围，再重新求解。 事实上，你从所有可以找到的资料里看到的LM算法的说明，都可以找到类似于“如果目标函数值增大，则调整某系数再继续求解；如果目标函数值减小，则调整某系数再继续求解”的迭代过程，这种过程与上面所说的信赖域法是非常相似的，所以说LM算法是一种信赖域法。

人工神经网络 BP算法 c++实现，例子是电力负荷预测。

Cholesky的c实现 A=B*B'，网上好像都没用。。。

随机方差减少算法：深度学习的 SVRG 和 SAGA 优化算法的实现。 随机梯度 (SGD) 是通过神经网络进行反向传播最常用的优化算法，因为它的成本比梯度下降要小。 但是，它的收敛速度非常慢，并且需要降低学习率才能收敛。 2013 年和 2014 年，出现了两种新的“混合算法”。 随机方差减少梯度 (SVRG) 和随机平均梯度增强 (SAGA) 是混合体，因为它们使用梯度的无偏估计，但它们的方差正在消失。 这两种算法具有指数收敛速度。 虽然它们的行为以机器学习目的而闻名，但它们并不用于深度学习主题。 例如，您现在可以在 scikit 学习库 ( ) 中使用 SAGA 对于这个项目，我想对这些算法进行编码以用于深度学习。 我已经使用 PyTorch 框架对这些算法进行了编码。 用法：此代码是用 Python3 编写的，我使用了 jupyter notebook。 您将需要下载以下

Louvain-算法 Louvain算法的实现 该算法的详细信息可以在论文中找到：“大型网络中社区的快速展开，Vincent D Blondel、Jean-Loup Guillaume、Renaud Lambiotte、Etienne Lefebvre，Journal of Statistical Mechanics: Theory and Experiment 2008 (10), P10008 ( 12pp) doi: 10.1088/1742-5468/2008/10/P10008.ArXiv: " 要使用此程序，输入数据格式应与 SNAP 的数据集相同。

匈牙利-穆蒂 Murty 1968年算法的实现，以找到给定分配矩阵的k个最佳成本（ ）该算法可以与任何算法一起工作，以在原理，但在这种情况下，使用的是Lars Buitinck的匈牙利方法。

广义神经网络的聚类算法(matlab实现)，包含源代码和测试数据