一种数据驱动的方法来系统地和可重复地优化力场参数 特征： 有效采用并行性以使用并行模拟器执行采样 所选模拟器支持的力场功能形式的多种选择 灵活包含不同物理特性作为参考数据 模块化设计，方便用户自定义扩展： 客观函数形式 采样方法/力场势函数形式 优化算法 所需软件： 一个编译好的 MD/MC 包可执行（已经支持 LAMMPS） Slurm 工作负载管理器（或同等产品） Python 3.7 其他 Python 库：pytest==5.4.2、numpy==1.18.1 英特尔 Fortran 编译器（> 18.0.3 版）。 gfortran (4.8.5) 也能成功编译，但程序可能无法使用长绝对文件路径。 在 Linux 上安装： conda 是推荐的包管理器。 如果未找到“conda”或需要 root 权限，您可以将 anaconda： ://www.anaconda

要运行的文件：mainproc.m 控制向量参数化，也称为直接序列法， 是求解最优控制问题的直接优化方法之一。 直接优化方法的基本思想是将控制问题离散化，然后将非线性规划 (NLP) 技术应用于最终的有限维优化问题。 问题是您希望从时间 $t = 0$ 的 $A=(0,0)$ 转向接近时间 T 的 $B=(4,4)$ 点。运动发生在 $ x_1, x_2$ 平面。 您的控制变量是推力 $u$ 和推力角 $\theta$。 角度 $\theta$ 是从 $x_1$ 轴测量的。 为了让生活变得有趣，在 (3,0) 处有一个大质量，它施加的力与您与质量的距离的平方的倒数成正比。 （详情见发布代码） *问题来自NCSU的“最优控制”课程（由Stephen Campbell博士主持）。

有关于将三角网格光滑逼近和参数化的实现方法， Parameterization and smooth approximation of surface triangulations

这个代码是图形学的作业的集合，里面实现了网格的两种实现极小曲面的方法，分别是局部迭代法和全局法。接下来是实现网格的参数化，用了三种参数化方法，分别是uniform parameterization、specific parameterization、shape-preserved parameterization以及最后的纹理贴图映射。