从作业顺序图出发，定义了作业的序关系．以此为基础，分析了工位数固定时作业序列与最小节拍的对应关系，并针对第二类装配线平衡问题，提出一种基于可行作业序列的遗传算法．该算法直接依据作业顺序图生成初始群体，并构造交叉和变异算子；初始群体和交叉变异的结果都是可行解，从而保证只在可行作业序列子空间中进行最优解搜索，效率较高；在染色体的适应值定义中还考虑了最小节拍时间和工位工时标准差的综合影响，可用来比较最小节拍时间相同的不同作业分配方案间优劣，提高了解的可信度．应用该算法，对一实例进行了多种工位数的验证，结果较优．

数据挖掘导论（第二版），中文

读Focal Loss for Dense Object Detection这篇论文 做的一个总结讲解ppt

通过遗传算法求解给定节拍时间最小化工作站数的线平衡问题

smote的matlab代码不平衡数据问题 在机器学习中，我们经常会遇到不平衡的数据。 例如，在银行的信用数据中，97% 的客户可以按时还款，而只有 3% 的客户不能。 如果我们忽略 3% 无法按时付款的客户，模型的准确率可能仍然很高，但可能会给银行带来巨大的损失。 因此，我们需要适当的方法来平衡数据。 许多研究论文提供了许多技术，包括过采样和欠采样，以处理数据不平衡。 该存储库实现了其中一些技术。 要求 sklearn numpy SMOTE SMOTE 是 NV Chawla、KW Bowyer、LO Hall 和 WP Kegelmeyer 的论文中提到的一种合成少数过采样技术 Parameters ---------- sample 2D (numpy)array minority class samples N Integer amount of SMOTE N% k Integer number of nearest neighbors k k <= number of minority class samples Attributes ---------- newInde

本次提交实现了以下论文中提出的 ADASYN（自适应合成采样）算法： H. He、Y. Bai、EA Garcia 和 S. Li，“ADASYN：用于不平衡学习的自适应合成采样方法”，Proc。 国际。 J. Conf。 神经网络，第 1322-1328 页，（2008 年）。 ADASYN 算法的目的是通过现有少数类示例之间的线性插值从少数类中综合创建新示例来改善类平衡。 这种方法本身被称为 SMOTE 方法（合成少数过采样技术）。 ADASYN是SMOTE的扩展，在两个类别之间的边界附近而不是在少数种族内部创建更多示例。 提供了生成此提交的标题图的演示脚本。

此代码实现了 SMOTEBoost。 SMOTEBoost 是一种处理具有离散类标签的数据中的类不平衡问题的算法。 它结合使用 SMOTE 和标准 boosting 程序 AdaBoost 来更好地对少数类建模，方法是不仅为学习者提供在之前的 boosting 迭代中被错误分类的少数类示例，而且还提供这些实例的更广泛表示（由 SMOTE 实现） . 由于提升算法对所有错误分类的示例和样本赋予相同的权重主要由多数类组成的数据池，随后的抽样的训练集仍然偏向于多数类。 因此，为了减少由于类别不平衡而导致的学习过程中固有的偏差，并增加少数类的采样权重，在每个类引入 SMOTE 一轮提升。 SMOTE的引入增加了少数类的数量学习者的样本，并在每个分布中关注这些情况推动回合。 除了最大化偏态类数据集的边际，这个过程还增加了集成中分类器之间的多样性，因为在每次迭代中，不同的合成样本集是产生。 有关该

此代码实现了 RUSBoost。 RUSBoost 是一种处理具有离散类标签的数据中的类不平衡问题的算法。 它结合使用 RUS（随机欠采样）和标准提升程序 AdaBoost，通过删除多数类样本来更好地对少数类进行建模。 它与 SMOTEBoost 非常相似，后者是另一种结合了 boosting 和数据采样，但声称通过随机欠采样 (RUS) 实现目标多数类的例子。 这种方法导致算法更简单，模型训练时间更快。 目前RUSBoost的实现已经由作者独立完成以研究为目的。 为了让用户使用很多不同的用于提升的弱学习器，使用 Weka API 创建了一个接口。 目前，四种 Weka 算法可以用作弱学习器：J48、SMO、IBk、Logistic。 它使用 10 次 boosting 迭代，并通过删除多数类在每次 boosting 迭代中实现 35:65（少数：多数）的类不平衡比样品。 有关该算法

模拟实验：基于DT,RF,NB,SVM,AD的类不平衡数据集的比较¶.zip

Unity3D平衡类游戏--平衡小球Demo实例解析(带源码)