SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数SSA麻雀算法智能优化python程序，可自行设置寻优函数

一个简单的网格搜索框架 网格搜索就是穷举法，对所有可能的参数组合都带入程序，进行尝试。 模型参数对应：SARIMA(p,d,q)(P,D,Q)m，对于模型来说并不是所有输入参数都是有效的， 如季节周期参数m不能为0，当m=0时，会导致SARIMAX函数报错。 以SARIMA模型为示例，介绍了如何对模型的参数进行网格搜索来找到较优参数 SARIMA是对AR,MA,ARIMA模型的改进，添加了季节周期的因素在里面 在网格搜索配置超参数的时候也是一个学习点

1.SARIMA模型的网格搜索超参数优化 基本一样 指数平滑预测方法，预测是过去观察值的加权，模型对过去观察值使用指数递减权重 所谓三重指数平滑在股票中指对数据重复进行三次平滑处理，从而减小数据波动。对应的指标叫TRIX 在时间序列预测中,三次指数平滑算法指可以对同时含有趋势和季节性的时间序列进行预测，该算法是基于一次指数平滑和二次指数平滑算法的 程序只修改了使用的预测模型部分， 从SARIMA模型改成了ExponentialSmoothing模型 同时修改了模型使用的参数，别的逻辑基本相同 内容： 1.网格搜索框架 2.无趋势和季节性研究 3.趋势性研究 4.季节性研究 5.趋势和季节性研究

web管理系统 HTML+CSS+JS+Bootstrap（前端）+ Python3.6+Django1.11（后端）+ mysql5.6(数据库) iec104主站客户端 Java1.8 + mysql5.6

资源包含文件：设计报告word+Python源码及数据 朴素的 PageRank 算法在 Web 网页结构良好的环境下可以正常运行，通过迭代可以对不同的网页给出合理的打分。然而，研究表明，现实中的 Web 网页结构常常出现网页个体或网页群体没有出向链接，即网络中的 dead ends 和 spider trap。PageRank 算法经过迭代之后，全体系统的权重会被以上两种 Web 网页结构吸收，其余页面的权重会趋于 0，这使得计算得出的结果失去意义。基于以上的问题，Google 对于朴素的 PageRank 算法提出改进策略。新的算法增加了随机游走因子，对于 Web 网页间的行为进行了更加细致的建模。 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/125219303

无线传感器网络：LEACH路由协议优化python仿真代码 实验采用 python 模拟运行对改进后的算法IMP_LEACH ，同时将仿真结果与经典LEACH 算法进行比较。

无线传感器网络：LEACH路由协议优化python仿真代码 实验采用 python 模拟运行对改进后的算法IMP_LEACH ，同时将仿真结果与经典LEACH 算法进行比较。

基于遗传算法的线性二次调节器参数优化器对Q和R矩阵的参数进行了优化

主程序是 evaluate_class.py 该程序中首先定义了一个 evaluate类 ，此类包含了所有的结果分析方法 类中需要外部调用的函数有三个： EvaCF(thre, n) EvaClu(user_genres_data, movie_genres_data) Q() 其中： EvaCF 用来进行 协同预测 评价 EvaClu 在 社区中用户观看电影种类方面 进行评价 Q 用来进行 模块度 评价 数据文件存放在 ml-1m 文件夹中 pyfile文件夹中存放一些测试以及数据处理文件 其中： collaborative_filtering.py 是利用 协同预测 做矩阵填充的文件，生成predictedratings.dat cut_data.py 用来切割数据集 evaluate_cf.py 是早期用来测试 协同过滤 的文件 MovieGenres.py 文件是早期用来测试 电影-电影种类 的文件 总之，只要有evaluate_class.py 以及 ml-1m文件夹 中的数据，程序就可以运行了。 PS: evaluate.py是未经过类封装的、早期用来做评价

微分方程的参数拟合 此程序的功能是 输出变量微分系统 输出变量 微分系统参数 输入变量 若输入已知通过实验设计得出不同输入下的输出值如果我知道微分系统的方程形式但是无法确定微分系统的参数做此程序的目的就是通过输入和输出确定最优化系统参数 这里只是给一个特例若自定义可在此结构下重写方法 需要建立以下文件 userFunction.py 的内容如下 targetFun.py solveODEFun.p