均使用python环境求解，没有调包，从逻辑上实现遗传算法 包含一个GA求解函数解的简单案例 还有一个遗传算法求解一物流调度问题案例：现场有10个配送地点，现在要再区域内选择两配送中心使得配送中心到配送地的总曼哈顿距离最短，自己DNA长度为24，其中前10个位0-1变量，即确定配送至第一个配送中心的配送地有哪些，10-20位也是0-1变量即配送至第二个配送中心的配送地，后面4位分别为配送中心的x、y坐标(自己调整时就要根据这个逻辑修改DNA长度，如3个配送中心应包含30个0-1变量，总DNA长维36)，代码注释相对清晰，基本用到的函数功能和语句功能均有说明，方便初学者修改学习

视频监控、军事目标识别以及消费型摄影等众多领域对图像清晰度有很高的要求. 近年来, 深度神经网络在视觉和定量评估的应用研究中取得较大进展, 但是其结果一般缺乏图像纹理的细节, 边缘过度平滑, 给人一种模糊的视觉体验. 本文提出了一种基于生成对抗网络的图像清晰度提升方法. 为了更好的传递图像的细节信息, 采用改进的残差块和跳跃连接作为生成网络的主体架构, 生成器损失函数除了对抗损失, 还包括内容损失、感知损失和纹理损失. 在DIV2K数据集上的实验表明, 该方法在提升图像清晰度方面有较好的视觉体验和定量评估.

789. 逃脱阻碍者 你在进行一个简化版的吃豆人游戏。你从 (0, 0) 点开始出发，你的目的地是 (target[0], target[1]) 。地图上有一些阻碍者，第 i 个阻碍者从 (ghosts[i][0], ghosts[i][1]) 出发。 每一回合，你和阻碍者们可以同时向东，西，南，北四个方向移动，每次可以移动到距离原位置1个单位的新位置。 如果你可以在任何阻碍者抓住你之前到达目的地（阻碍者可以采取任意行动方式），则被视为逃脱成功。如果你和阻碍者同时到达了一个位置（包括目的地）都不算是逃脱成功。 当且仅当你有可能成功逃脱时，输出 True。 示例 1: 输入： ghosts =

人工智能 八数码问题 启发函数用 misplace 和 曼哈顿距离 解决 有readme file 保证运行

采用欧式距离，曼哈顿距离复现knn分类并采用等高线绘图函数绘图 复现数学基础所学知识 机器学习类 (Using European distance, Manhattan distance to reappear KNN classification)

基于相对曼哈顿距离的Web聚类算法研究.pdf

行业分类-物理装置-基于小波分解和改进曼哈顿距离的滚动轴承故障诊断方法.zip