近似熵算法

id3算法利用matlab的实现，利用treeplot画出生成的决策树

刚调试完成 自己编写的SPWM（20KHz）生成程序 亲测绝对可行

较全面的弹塑性力学习题，包括了习题和习题详解两部分，涵盖了常见的多种弹塑力学题目，详细阐述了边界条件的应用，是学习此课程的重要参考用书

整理了CSDN中的一些C++课程资源。免费提供给无资源业分的人。C++课程设计报告+职工信息表.docC++课程设计报告--小型特殊计算器.docC++课程设计报告模拟银行管理系统.doc哈尔滨工业大学课程设计报告.doc图书管理系统C++课程设计源代码.doc航空售票系统+C++课程设计源代码.doc运动会分数统计系统.doc通讯录课程设计报告（完）.doc

几个基于k均值和改进的混合高斯模型进行视频运动目标跟踪的matlab代码

【实例简介】在帮公司做一个小项目用到的就分享一下，这个使用ASP.NET与Echart使用的，通过在后台获取sql的数据，然后转换成Json,运用前端的Ajax读取json文档。

HFSS实例学习指导，适合用电磁场微波技术研究生和工程技术人员使用

算子课上我讲的PPT，主题是查分演化计算，用到了变异算子，交叉算子和选择算子。复盘分析差分进化与遗传算法相似，这一点，对遗传算法稍微了解的人都会有这样的疑问。该PPT未对二者的区别和联系进行分析。我对二者都有一定的了解，并做过二者的简单实现，理应在这方面做出思考。遗憾的是，演讲结束后，老师问到这个问题，我没有做出较好的回答。介绍完算法的原理后，举了一个非凸函数寻优的例子，并且展示了函数的3D图像和最优函数值演变曲线，这一点很好。介绍图像时，首先要介绍坐标轴的含义和单位，这一点没有照顾好。很明显的一个缺陷是： 缺少该算法在工业上的应用实例。让人感觉该算法只存在于纸面上，却无实际应用价优化问题和近似最优解差分演化算法CONTENTS引言ρ优化问题是一种以数学为基础,用于求解各种工程问题基本原理的应用技术。应用实例优缺点ρ绝大多数的工程问题的求解都可以转换为优化问题,算法改进但是部分问题属于NP问题,很难找到解析解,比如:0研完点1背包、组合优化问题、任务指派等。某些情况下,退而求其次,找到近似最优解即可。针对优化问题的近似解求解,目前已成为了当前一个热点研究方向,催生出一系列的智能算法。智能算法的研究差分演化算法CONTENTS◎1975年: J Holland根据生物进化过程提出了遗传算引言法基本原理ρ1982年: Kirkpatrick模拟冶金学的退火过程提出了模拟应用实例退火算法。优缺点算法改进◎1991年: dorigo.M根据蚂蚁觅食的群体行为提出了蚁研完点群算法。◎1995年: Kennedy根据鸟类觅食的群体行为提出了粒子群算法。ρ1997年: Rainer storr和 Kenneth price.在遗传算法等进化思想的基础上,提出了差分进化算法( DifferentialEvolution, DE差分进化算法简介差分演化算法CONTENTS引言由 Rainer storn和 Kenneth price在1997年为求解切比雪基本原理夫多项式而提出。应用实例优缺点◎是一种随机的并行直接搜索算法,它可以对非线性、不算法改进可微、连续空间函数进行最小化,以其易用性、稳健性研完点和强大的全局寻优能力在多个领域取得成功。◎应用:在约東优化计算、聚类优化计算、飞线性优化控制、神经网络优化、滤波器设计、阵列天线方向图综合等参考文献差分演化算法CONTENTSE Storn, Rainer and Price, Kenneth. Differential evolution引言a simple and efficient heuristic for global optimization over基本原理continuous spaces. Journal of global optimization, 1997应用实例优缺点国杨启文,蔡亮,薛云灿.差分进化算法综述.模式识别与人算法改进工智能,2008研完点圖王培崇,钱旭,王月,虎晓红.差分进化计算研究综述.计算机工程应用,2009E Das, Swagatam and Suganthan, Ponnuthurai Nagaranam. Differential evolution: a survey of the state-of-the-artEvolutionary Computation, IEEE Transactions on, 2011优化问题表示差分演化算法左图是两个参数的函右侧是最优化问题的形式化CONTENTS数的3D图像,可以描述。第一行是目标函数,引基本原理将xy平面的矩形作为表示求函数极小值;然后是应用实例解空间,优化问题就约束条件。优缺点是从解空间中搜索最算法改进大最小值研完点min f(x1, x2st.x;∈[L;,U1≤j≤算法框架差分演化算法迭代过程CONTENTS引种群初始化变异交叉选择基本原理应用实例优缺点种群初始化在解空间中随机、均匀地产生M个个体,每算法改进个个体由n个染色体组成,作为第0代种群,标记为研完点X(0)=(x;1(0),x12(00i=1.2..…,M◎变异、交叉、选择三步操作迭代执行,直到算法收敛。第g次迭代的第i个个体标记为X(g)=(x;1(g),x;2(g),…,x1n(g)1.2.M种群初始化差分演化算法在n维空间里随机产生满足约束条件的M个染色体,第i个染色体的第个维取值方式如下rand(0,1)产生0到1的均匀分布CONTENTS的随机数):引基本原理;(0)=L+mnd(0,1)(U,-L)应用实例M优缺点算法改进研完点均匀分布随机分布聚群分布变异算子差分演化法在第8次迭代中,对个体X(g)=(x18,x12(g),…,xn(g),从种群中随机选择3个个体Xn1(g),X12(g),Xp3(g),且p1≠p2≠CONTENTS13≠i,则引H(g)=Xn1(g)+F.(Xn2(g)-X3)基本原理应用实例其中△p2,n3(8)=Ⅹn2(g)-X(8)是差分向量;F是缩放因子,优缺点用于控制差分向量的影响力算法改进研完点F(xm-x,:)0

西门子 opc 例程 只支持32位编译，这个支持64位。十分强大，十分好用。因为自己写的软件比较吃内存，所以一定要64位编译。

【实例简介】