变邻域搜索算法matlab代码
2023-11-16 21:49:26
5.21MB
1
变邻域搜索算法matlab代码点云（PC）地貌粗糙度和地形趋势
此代码的算法描述如下：北宾厄姆，北布哈根，约翰逊，俄亥俄州和查德威克（正在审查）：使用激光雷达点云数据评估人为侵蚀和植被丧失覆盖对比的岩性
使用代码时，请引用上述论文。
点云（PC）地貌粗糙度和地形趋势
使用坡度消除趋势点云（PC）数据，并从PC计算地形粗糙度和曲率。
该代码从LAS
/
LAZ文件中读取地面分类的PC，并在PC上计算几个与地貌相关的指标。
输入文件可以来自激光雷达或运动结构（SfM）PC，但应进行地面分类（有关如何对数据进行地面分类的说明，请参见）。
该算法允许定义半径，该半径用于拟合通过点云的线性平面以使数据去趋势（即，将平均高度为0的点云归一化）。
这些数据用于计算与平均值（粗糙度）的偏差，并识别小溪，阿罗约斯河，切开的峡谷和其他形式的侵蚀过程。
通过改变平面的半径，可以对景观的多个比例进行分析（类似于地形起伏半径的变化）。
该算法以用户定义的间距（例如1m）从PC中选择种子点，并针对具有给定半径的每个种子点计算统计信息。
输出包括一组shapefile和geotiff，它们显示给定半径内PC的统计信
2022-05-12 17:48:21
376MB
1
变邻域搜索算法matlab代码此README.md可帮助您（和我）在GitHub上浏览我的所有存储库。
令人费解
资料库
描述
年
语
连接到的代码
？
Python
尝试
？
Java
尝试
2017、2018、2019、2020年
Haskell，ASP，Python
乐趣
2018年
PostgreSQL
地点
开始
结尾
研究所/组织
联合大学
地点
2017-09
2018-02
国际计算逻辑中心（ICCL）
德累斯顿大学
:European_Union:
:Germany:
德累斯顿
2018-03
2018-07
知识与数据研究中心（KRDB）
博赞博尔扎诺自由大学
:European_Union:
:Italy:
博尔扎诺
2018-08
2018-09
联邦科学与工业研究组织（CSIRO）Data61
澳大利亚国立大学
:Australia:
堪培拉
2018-10
2019-03
维也纳逻辑与算法（VCLA）
维也纳
:European_Union:
:Austria:
维也纳
论文
ATLAS：由自我监督的自动调整数据结构的自动摊销复杂度分析
资料库
内容
合作者
语
类型对数的对数摊销复杂度分析的实现
Java
论文
乳胶
关于该主题的论文（正在出版）
Georg
Moser，David
Obwal
2022-03-28 11:36:32
3KB
1
变邻域搜索算法matlab代码CODO
在过去的几十年中，进行了大量研究以提出许多自然启发的优化技术。
SitoLIB是一个基于人的意见形成的优化器的开源库。
它包括基于社会影响理论的优化器（SITO）和涂尔干的基于社会融合理论的优化器（CODO）。
目的是开发一个易于理解的通用软件库，该库可以合并到特定于应用程序的系统中。
库的当前版本包括优化程序的二进制版本和连续（实值）版本。
我们的二进制实现基于[Latane，1981]给出的社会影响理论和[Macas，2008]给出的优化程序的伪代码。
称为持续意见动态优化器（CODO）的连续实施基于涂尔干的社会整合理论[Durkheim，1997]和[Rishemjit，2013]给出的优化器伪代码。
到目前为止，库中实现了CODO的一种变体和SITO的以下不同变体，以最大程度地减少异议功能：
OSITO（原始SITO算法），
SSITOsum（带有SUM规则的简化SITO），
SSITOmean具有MEAN规则的简化SITO）和
GSITO（加拉姆风格的SITO）。
这些变体已在不同的应用程序中有效使用，例如使用UCI机器学习存储库数据集
2022-03-16 20:13:55
19.08MB
1
变邻域搜索算法matlab代码
2021-10-22 12:36:13
6.13MB
1
变邻域搜索算法matlab代码解决工程优化问题
粒子群优化
1.简介
粒子群优化（PSO）是一种计算方法，它通过反复尝试针对给定的质量度量来改进候选解决方案来优化问题。
它通过拥有一组候选解（粒子）并根据粒子位置和速度上的简单数学公式在搜索空间中移动这些粒子来解决问题。
每个粒子的运动都受其本地最知名位置的影响，但也被引导向搜索空间中最知名的位置，这些位置会随着其他粒子找到更好的位置而更新。
可以预期这将朝着最佳解决方案迈进。
在这项研究中，存在四个用PSO解决的工程优化问题。
在此存储库中共享MATLAB算法和代码实现。
如图1所示。
x表示粒子的位置。
这些是我们在搜索领域的解决方案。
然后图中的箭头是每个粒子的速度。
2.算法
PSO模拟了鸟群的行为。
假设以下情况：一群鸟在一个区域中随机寻找食物。
被搜索的地区只有一种食物。
所有的鸟都不知道食物在哪里。
但是他们知道每次迭代中的食物有多远。
那么，找到食物的最佳策略是什么？
有效的方法是跟随最接近食物的鸟。
PSO从方案中学习并用于解决优化问题。
在PSO中，每个解决方案都是搜索空间中的“鸟”。
我们称其为“粒子”。
所有粒子
2021-10-14 21:14:07
1.87MB
1